[发明专利]一种基于深度模糊森林的情绪识别方法

权利要求书

1.一种基于深度模糊森林的情绪识别方法，其特征在于，该方法包括以下步骤：

1)采集脑电信号；

2)对脑电信号进行预处理，以去除噪声；

3)将脑电信号输入经过预训练后的深度模糊森林模型中，获取情绪识别结果。

2.根据权利要求1所述的一种基于深度模糊森林的情绪识别方法，其特征在于，所述步骤3)中，深度模糊森林模型采用多粒度扫描，从脑电信号中获取脑电信号特征的概率向量，作为级联森林的输入；采用级联森林，对脑电信号特征的概率向量进行识别，获取情绪识别结果，所述多粒度扫描和所述级联森林均采用模糊决策树构建。

3.根据权利要求2所述的一种基于深度模糊森林的情绪识别方法，其特征在于，所述脑电信号特征的概率向量的获取过程具体为，所述多粒度扫描包括W个滑动窗口和N_SF个模糊决策森林；每个滑动窗口扫描所述脑电信号产生N₁个实例，一个实例经过一个模糊决策森林的训练，产生p＝[p₁，p₂，…p_K]的概率向量；每个扫描脑电信号的滑动窗口产生N₂个K维的概率向量，N₂＝N_SF×N₁；多粒度扫描将这些概率向量连接在一起形成一个窗口向量将所有滑动窗口产生的窗口向量串联，作为级联森林的输入；所述滑动窗口的形状包括长方形和正方形，所述模糊决策森林采用模糊决策树构建。

4.根据权利要求2所述的一种基于深度模糊森林的情绪识别方法，其特征在于，所述采用级联森林，对脑电信号特征进行识别具体为，级联森林的每一层均具有多个模糊决策森林；级联森林中，除第一层的输入以外，其他所有层的输入都为前一层的输出；级联森林的最后一层的输出用于计算最终准确度，该最终准确度的计算表达式为：

Fin(P)＝Max{Ave[P_i×j]}

P_i×j＝[P₁₁，P₁₂，…,P_1j；…；P_i1，P_i2，…，P_ij]

式中，Fin(*)为最终准确度，P为级联森林中最后一层的输出，i＝1,2,…,N_CF，j＝1,2,…,K，N_CF为级联森林每一层中模糊决策森林的个数，P_i×j是一个样本在级联森林的最后一层里N_CF个模糊决策森林的分类概率，Ave[*]为取平均，Max{*}为取最大值。

5.根据权利要求1所述的一种基于深度模糊森林的情绪识别方法，其特征在于，所述步骤3)中，深度模糊森林模型的预训练过程具体为，将预建立的脑电信号训练集输入预建立的深度模糊森林模型中，基于评价指标，对深度模糊森林模型进行迭代优化，直到深度模糊森林模型输出结果满足预设的精度要求。

6.根据权利要求5所述的一种基于深度模糊森林的情绪识别方法，其特征在于，所述深度模糊森林模型用以从脑电信号中识别出第一情绪和第二情绪，所述脑电信号训练集包括第一情绪样本和第二情绪样本，所述评价指标包括准确率、精确率和召回率，所述准确率accuracy的计算表达式为：

式中，TP为将第一情绪样本预测为第一情绪的个数，TN为将第一情绪样本预测为第二情绪的个数，FP为将第二情绪样本预测为第一情绪的个数，FN为将第一情绪样本预测为第二情绪的个数；

所述精确率precision的计算表达式为：

所述召回率recall的计算表达式为：

7.根据权利要求1所述的一种基于深度模糊森林的情绪识别方法，其特征在于，所述步骤2)中，对脑电信号的预处理具体为，对脑电信号分别进行滤波、分割和/或奇异样本的筛除。