[发明专利]一种基于深度模糊森林的情绪识别方法

说明书

本发明涉及一种基于深度模糊森林的情绪识别方法，该方法包括以下步骤：S1：采集脑电信号；S2：对脑电信号进行预处理，以去除噪声；S3：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，所述步骤S3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。与现有技术相比，本发明情绪识别方法将模糊集合理论与传统决策树学习策略相结合，具有独创性、识别度高、参数少、可用于小样本数据集、结果准确可靠等优点。

技术领域

本发明涉及情绪识别领域，尤其是涉及一种基于深度模糊森林的情绪识别方法。

背景技术

随着科学技术的发展，人们的生活越来越丰富，跨学科知识和技术的融入使得对心理相关疾病的研究手段也越来越多样化。情绪是综合人的感觉、思想和为产生出来的一种心理状态，在人们的日常生活、工作和学习中无处不在，不良情绪会影响我们的身体健康，也会影响到心情，严重的会导致抑郁症、焦虑症等，对人际关系的交往产生重大影响。而在这些疾病的研究治疗中，音乐也发挥了越来越大的作用，现在也已经形成了专门的“音乐治疗”学科。所谓“音乐治疗”，就是研究音乐对人体机能的影响，使其达到放松心情、缓解情绪的目的。

目前，情绪识别的方法主要有基于非生理信号和生理信号两种情绪识别方法。生理信号，包括自主生理信号(心电、肌电、皮电、呼吸)和中枢神经信号(脑电、脑血氧信号)等，与非生理信号(面部表情、语音、肢体动作等)相比，生理信号不易受到人主观意识的控制和影响，故客观性和识别准确率更高。其中，脑电信号能直接提取大脑信号，反映大脑活动状态，具有提取方便，时间分辨率高，实时性强的优点。

然而脑电信号是一种随机非平稳的微弱信号，通常只有0.2～1毫伏，具有随机性和非平稳性强、非线性、背景噪声复杂等特点，为了全面观测，通常用于识别的脑电数据维度高且数据量大。加之情绪的复杂多样性，同一个人同一段音乐下的情绪可能不同，不同人不同音乐下的情绪可能相同，这些均是基于音乐的脑电信号情绪识别的难点所在。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能从小样本数据集中进行情绪识别并且识别度高的基于深度模糊森林的情绪识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度模糊森林的情绪识别方法，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。

进一步地，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。

进一步地，所述获取脑电信号特征的概率向量，作为级联森林的输入过程具体为，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。其中，W、N_SF、N₁、N₂和K均为正整数。