一种情感状态识别方法、装置、计算机设备及存储介质与流程

本发明涉及计算机领域，尤其涉及一种情感状态识别方法、装置、计算机设备及存储介质。

背景技术：

脑电是人的精神和情感状态的一种反映，通过分析脑电信号的特征可以对脑电信号的情感状态进行预测，对于实现人机交互、人-计算机接口以及智能计算机具有重要意义。

现有的对脑电信号的情感状态的识别方法大都是通过脑电的统计特性和频域特征来进行识别，但是这种方法往往在类别差异较大的脑电识别场景效果较好，而对于情感脑电分类，则不太理想。

由此可见，现有对脑电信号的情感状态的识别所用方法的使用局限性较大，无法满足实际应用的需要。

技术实现要素：

本发明的目的在于克服现有技术的缺陷，提供一种情感状态识别方法，以解决上述技术问题。

本发明实施例提供一种情感状态识别方法，所述方法包括：

获取待识别情感状态的多通道脑电信号；

确定所述多通道脑电信号的时域特征、频域特征以及脑网络特征，所述时域特征包括多通道脑电信号中各通道脑电信号的最大值，最小值，均值以及标准差；

根据所述多通道脑电信号的时域特征、频域特征与脑网络特征以及预设的脑电信号情感状态识别模型确定与所述多通道脑电信号对应的情感状态。

本发明实施还提供一种情感状态识别装置，所述装置包括：

多通道脑电信号获取单元，用于获取待识别情感状态的多通道脑电信号；

特征信息提取单元，用于确定所述多通道脑电信号的时域特征、频域特征以及脑网络特征，所述时域特征包括多通道脑电信号中各通道脑电信号的最大值，最小值，均值以及标准差；以及

情感状态确定单元，用于根据所述多通道脑电信号的时域特征、频域特征与脑网络特征以及预设的脑电信号情感状态识别模型确定与所述多通道脑电信号对应的情感状态。

本发明实施例还提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述一种情感状态识别方法的步骤。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述一种情感状态识别方法的步骤。

本发明实施例提供的一种情感状态识别方法，通过确定待识别情感状态的多通道脑电信号的时域特征、频域特征以及脑网络特征，并根据上述所述特征信息以及预设的脑电信号情感状态识别模型，确定并输出所述多通道脑电信号的情感状态的识别结果，本发明相比于现有技术，利用多通道脑电信号的时域特征、频域特征以及脑网络特征对情感状态进行识别，有效地提高了识别的效果以及准确率。

附图说明

图1为本发明实施例中一种情感状态识别方法的步骤流程图；

图2为本发明实施例中确定频域特征的步骤流程图；

图3为本发明实施例中获取频域特征的过程模拟一系列视图；

图4为本发明实施例中确定脑网络特征的步骤流程图；

图5为本发明实施例中确定情感状态的步骤流程图；

图6为本发明实施例中训练生成基于随机森林算法的第一状态识别模型的步骤流程图；

图7为本发明实施例中一种确定最终情感状态的方法的步骤流程图；

图8为本发明实施例提供的一种情感状态识别装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明实施例中，为解决现有技术中脑电信号的情感状态识别不精确的技术问题，通过获取待识别情感状态的多通道脑电信号的时域特征、频域特征以及脑网络特征，并根据由样本训练出的不同的状态识别模型分别处理上述特征信息，并最终综合三种状态识别模型的识别结果分析确定最可能的情感状态，有效的提高了情感状态识别的准确率。

图1为本发明实施例中一种情感状态识别方法的步骤流程图，详述如下：

步骤s101，获取待识别情感状态的多通道脑电信号。

在本发明实施例中，所述多通道脑电信号是通过不同传感器获取。

步骤s102，确定所述多通道脑电信号的时域特征、频域特征以及脑网络特征。

在本发明实施例中，由于所述多通道脑电信号是一种时域信号，因此可以直接确定所述时域特征，所述时域特征包括但不限于最大值，最小值，均值和标准差，还可以包括一阶差分平均绝对值，二阶差分平均绝对值，偏度，峰度等可以用于衡量一个时域信号的指标，所述时域特征可以用一个高维向量表示，所述时域特征＝(最大值，最小值，均值，标准差，...)＝(a1，a2，a3，a4，...)。

在本发明实施例中，需要对多通道脑电信号进行一定的处理才能获取所述频域特征和脑网络特征，对所述多通道脑电信号进行处理获取所述频域特征的步骤流程图请参阅图2和图3，对所述多通道脑电信号进行处理获取所述脑网络特征的步骤流程图请参阅图4。

步骤s103，根据所述多通道脑电信号的时域特征、频域特征与脑网络特征以及预设的脑电信号情感状态识别模型确定与所述多通道脑电信号对应的情感状态。

在发明实施例中，所述多通道脑电信号对应的情感状态分为正性情感状态和负性情感状态两类，将所述多通道脑电信号的时域特征、频域特征与脑网络特征输入到预设的脑电信号情感状态识别模型后，输出为0～1之间的一个数值，其中，输出值越接近0，确定与所述多通道脑电信号对应的情感状态为负性情感状态，输出值越接近1，确定与所述多通道脑电信号对应的情感状态为正性情感状态。

本发明实施例提供的一种情感状态识别方法，通过确定待识别情感状态的多通道脑电信号的时域特征、频域特征以及脑网络特征，并根据上述所述特征信息以及预设的脑电信号情感状态识别模型，确定并输出所述多通道脑电信号的情感状态的识别结果，本发明相比于现有技术，利用多通道脑电信号的时域特征、频域特征以及脑网络特征对情感状态进行识别，有效地提高了识别的效果以及准确率。

图2为本发明实施例中确定频域特征的步骤流程图，详述如下：

步骤s201，所述多通道脑电信号转化为频域上的信号，获取所述多通道脑电信号在频域上频率与幅值的关系。

在本发明实施例中，所述频域信号仍以坐标图的形式体现，所述坐标图的横坐标为频率，纵坐标为幅值。

步骤s202，按照预设的规则确定有效频率-幅值区域。

在本发明实施例中，由于频域信号的横坐标取值可能为无穷，在实际操作的过程中，可以通过截取频率在一定取值范围之内的区域，相应的截取幅值在一定取值范围之内的区域。

作为本发明的一个优选实施例，所述截取的有效频率-幅值关于y轴对称。

步骤s203，按照预设的规则将所述有效频率-幅值区域划分为多个频率-幅值区间。

在本发明实施例中，根据预设的x,y，将所述有效频率-幅值区域按照频率区间长度为x，幅值区间长度为y划分为多个区间面积为xy的频率-幅值区间。

在本发明实施例中，x，y取值越小，则划分的频率-幅值区间越多，使得频域特征更加丰富，然而却极大地提高了计算量。

作为本发明的一个优选实施例，综合考虑频率特征的丰富度以及计算量，以最终划分得到2000～3000个频率-幅值区间为优，进一步的，频率区间的划分个数应当略多于幅值区间的个数，以50×40，60×50最优。

步骤s204，根据所述多通道脑电信号在频域上频率与幅值的关系，判断第一频率-幅值区间内是否存在相应的关系。

在本发明实施例中，具体是判断每个频率-幅值区间内是否存在频域信号图像上的一点。

在本发明实施例中，当判断第一频率-幅值区间内存在相应的关系时，即判断第一频率-幅值区间内存在频域信号图像上的一点执行步骤s205；当判断第一频率-幅值区间内不存在相应的关系时，即判断第一频率-幅值区间内不存在频域信号图像上的一点执行步骤s206。

步骤s205，确定所述第一频率-幅值区间的取值为1。

步骤s206，确定所述第一频率-幅值区间的取值为0。

在本发明实施例中，通过判断各频率-幅值区间内是否存在频域信号图像上的一点，从而可以确定各频率-幅值区间的取值情况。

步骤s207，根据所述各频率-幅值区间的取值生成二值矩阵。

在本发明实施例中，仅仅保留各频率-幅值区间的取值情况，即可获取一个二值矩阵，所述二值矩阵中仅仅包括0与1两个数值，所述二值矩阵即为所述频域特征。

在本发明实施例中，为了使上述获取频域特征的步骤流程更加的清楚详细，请参阅图3示出的获取频域特征的模拟视图。

在本发明实施例中，通过将时域上的多通道脑电信号转化为频域信号，进一步获取了频域特征，并结合频域特征判断多通道脑电信号的情感状态，使得识别出的情感状态的准确率更高。

图3为本发明实施例中获取频域特征的过程模拟一系列视图，详述如下：

在本发明实施例中，图3(a)为本发明实施例中多通道脑电信号在频域上的信号示意图，图3(b)为本发明实施例中截取有效频域-幅值区域的示意图，图3(c)为本发明实施例中划分频率-幅值区间的示意图，图3(d)为本发明实施例中确定频率-幅值区间取值的示意图，图3(e)为本发明实施例中二值矩阵的示意图。

图4为本发明实施例中确定脑网络特征的步骤流程图，详述如下：

步骤s401，计算所述多通道脑电信号中各通道脑电信号两两之间的皮尔逊相关系数。

在本发明实施例中，所述皮尔逊相关系数是衡量两个量之间相关关系的指标，取值为-1～1，其中-1表示完全负相关，1表示完全正相关，0表示完全不相关，根据取值与-1、0和1之间的接近程度，可以分为正相关、负相关以及不相关，一般的，优选阈值为0.5和-0.5。

在本发明实施例中，所述计算两个通道信号之间的皮尔逊相关系数的步骤包括：采集所述两个通道信号在多个相同时刻的信号强度，将在第一通道信号上采集的多个信号强度记为变量x，将在第二通道信号上采集的多个信号强度记为变量y，所述变量x与变量y的协方差cov(x，y)与标准差σx，σy的商即为皮尔逊相关系数：

步骤s402，根据所述各通道信号两两之间的皮尔逊相关系数生成无向图。

在本发明实施例中，所述无向图中各点表示相应的通道信号，所述无向图中各线段表明所述线段的两个端点对应的通道信号之间的皮尔逊相关系数满足预设的条件。

在本发明实施例中，具体的，若两个通道信号之间存在相关性(正相关或负相关)，即皮尔逊系数在-1～-0.5或者0.5～1之间时，则将两个通道信号对应的定点之间通过线段连接起来，若两个通道信号之间不存在相关性，即皮尔逊系数在-0.5～0.5之间时，则两个通道信号对应的定点之间不连线。

步骤s403，确定所述无向图的特征信息。

在本发明实施例中，所述无向图的特征信息包括但不限于度序列，最小度，最大度，簇系数，最短路径长度，还可以包括其他可以用于衡量无向图的指标。

在本发明实施例中，所述无向图的特征信息即为脑网络特征，所述脑网络特征同样的可以用一个高维向量表示，所述脑网络特征＝(度序列，最小度，最大度，簇系数，最短路径长度，...)＝(b1，b2，b3，b4，b5，...)。

在本发明实施例中，通过将获取多通道脑电信号之间的相关度，进一步获取了脑网络特征，并结合脑网路特征判断多通道脑电信号的情感状态，使得识别出的情感状态的准确率更高。

图5为本发明实施例中确定情感状态的步骤流程图，详述如下：

在本发明实施例中，所述预设的的脑电信号情感状态识别模型具体包括基于随机森林算法的第一状态识别模型、基于k-最近邻算法的第一状态识别模型以及基于支持向量机算法的第三状态识别模型。

在本发明实施例中，所述确定情感状态的步骤流程图具体可分为两个板块，步骤s501～步骤s503为各状态识别模型的独立工作，步骤s504为状态识别模型之间的协同工作。

步骤s501，根据所述多通道脑电信号的时域特征以及基于随机森林算法的第一状态识别模型确定第一情感状态。

在本发明实施例中，所述随机森林算法是一种基于集成学习策略的机器学习模型，并在决策树的训练过程中引入了随机属性选择。具体来说，传统决策树在选择划分属性时是在当前结点的属性集合中选择一个最优属性；而在随机森林中，对基决策树的每个节点，先从该结点的属性集合中随机选择一个包含若干个属性的子集，然后再从这个子集中选择一个最优属性用于划分。

在本发明实施例中，所述基于随机森林算法的第一状态识别模型中包括多层特征信息以及对所述多层特征信息的判断条件以及判断结果，例如，一种可能的基于随机森林算法的状态识别模型包括最大值、最小值，当输入的最大值满足条件m时，则进入下一层，否则，将输入归类为s，当输入的最小值满足条件n时，则将输入归类为t，否则，归类为s，为则将时域特征＝(最大值，最小值，均值，标准差，...)＝(a1，a2，a3，a4，...)输入，先确定最大值a1与m的关系，当a1大于m时，继续判断最小值a2与n的关系，并基于上述判断结果的归类情况确定该时域特征的归类。

在本发明实施例中，根据选择的特征信息或者判断顺序的不同，所述基于随机森林算法的状态识别模型可以有很多种，因此需要通过训练获取分类效果最佳的基于随机森林算法的状态识别模型。进一步的，所述通过训练获取最佳的基于随机森林算法的状态识别模型的步骤流程图请参阅图6。

步骤s502，根据所述多通道脑电信号的频域特征以及基于k-最近邻算法的第二状态识别模型确定第二情感状态。

在本发明实施例中，k-最近邻算法是一种常用的监督学习方法：给定样本，基于某种距离度量找出集合中与其最靠近的k个训练样本，然后基于这k个“邻居”信息来进行识别。在分类任务中，一般采用投票法，即选择k个样本中出现最多的类别标记作为识别结果。

在本发明实施例中，所述基于k-最近邻算法的第二状态识别模型无需通过训练生成，只需要提供足够多的样品数据，即在所述基于k-最近邻算法的第二状态识别模型中包含有多个脑电信号训练样本的频谱特征以及情感状态标签，其中训练样本的数量越多，最基于k-最近邻算法的第二状态识别模型的准确率越高。

在本发明实施例中，所述根据所述多通道脑电信号的频域特征以及基于k-最近邻算法的第二状态识别模型确定第二情感状态是通过如下步骤实现的：将多通道脑电信号的频域特征(二值矩阵)输入，在第二状态识别模型中找到与所述多通道脑电信号的频域特征(二值矩阵)距离最小的k个频域特征，然后根据所述k个频域特征对应的情感状态标签，将情感状态标签更多的确定为多通道脑电信号的情感状态。其中，所述距离的一种简单的定义为：两个频域特征(二值矩阵)种，取值不同的地方的个数。

作为本发明的一个实施例，由于频域特征(二值矩阵)有2000～3000个取值，可以想象，距离越近表明两种脑电信号的频域特征越相似，则说明两种脑电信息对应的情感状态更有可能相同。

步骤s503，根据所述多通道脑电信号的脑网络特征以及基于支持向量机算法的第三状态识别模型确定第三情感状态。

在本发明实施例中，支持向量机是通过最小化训练样本和分离超平面的最大几何间隔，来得到一个最优分离超平面，使用该分离超平面即可对位置类别的样本进行分类。并且，对于线性不可分的问题，可以通过和函数将低维输入空间线性不可分的样本转化为高维特征空间中线性可分的样本。

在本发明实施例中，可以想象，脑网络特征＝(度序列，最小度，最大度，簇系数，最短路径长度，...)＝(b1，b2，b3，b4，b5，...)是处于一个高维的空间中，基于支持向量机算法的第三状态识别模型中存在有各特征信息的权重(c1，c2，c3，c4，c5，...)以及偏置量t，此时，当我们将脑网络特征带入基于支持向量机算法的第三状态识别模型中时，可以通过计算函数f(b1,b2,b3,...)＝(b1c1+b2c2+b3c3+...+s)的值与0的大小从而判断对应的情感状态。

在本发明发明实施例中，所述基于支持向量机算法的第三状态识别模型中存在的各特征信息的权重(c1，c2，c3，c4，c5，...)以及偏置量t需要通过样本训练得到，所述通过样本训练得到第三状态识别模型的步骤包括：初始化第三状态识别模型中的各参数，计算该状态识别模型的准确率，判断准确率是否符合要求，如果不符合要求，则利用梯度下降算法调整第三状态识别模型中的各参数，继续计算状态识别模型的准确率，并判断准确率是否符合要求，直至准确率符合要求，此时的状态识别模型即为基于支持向量机算法的第三状态识别模型。

在本发明实施例中，上述步骤s501、s502以及s503分别是利用独立的不同的状态识别模型分别对时域特征、频域特征与脑网络特征进行处理，从而获取在不同状态识别模型下识别出的情感状态，而为了提高判断的准确率，需要综合在不同状态识别模型下识别出的情感状态进行判断。

步骤s504，按照预设的规则综合第一情感状态、第二情感状态以及第三情感状态确定最终情感状态。

在本发明实施例中，所述最终情感状态即为与所述多通道脑电信号对应的情感状态。

在本发明实施例中，作为一种可能的最简单的综合判断方法，直接根据在不同状态识别模型下识别出的情感状态的数量进行判断，当存在两种及以上的状态识别模型识别出来的情感状态为正性情感状态(负性情感状态)时，则相应的确定所述多通道脑电信号对应的情感状态为正性情感状态(负性情感状态)。

作为本发明的一个优选实施例，所述综合判断方法还可以是对第一情感状态、第二情感状态以及第三情感状态进行加权平均，所述各情感状态的权重可以是根据测试样本测试出的各情感状态识别模型的准确率确定。进一步的，利用测试样本测试出各情感状态识别模型的准确率，并确定各情感状态的权重的步骤流程图请参阅7。

在本发明实施例中，利用三种情感状态识别模型分别对时域特征、频域特征与脑网络特征进行处理，从而获取在不同情感状态识别模型下识别出的情感状态，并进一步综合利用识别出的三种情感状态结果，确定最终的情感状态，由于此过程中，三种情感状态识别模型都是通过大量的训练样本训练得到且在综合利用识别出的三种情感状态结果确定最终的情感状态的过程中，也需要用到大量的测试样本进行测试，从而有效地提高了最终识别出的情感状态的准确率。

图6为本发明实施例中训练生成基于随机森林算法的第一状态识别模型的步骤流程图，详述如下：

步骤s601，采集多个包括情感状态标签的脑电信号训练样本。

在本发明实施例中，通过采集在观看不同音乐短视频时产生的脑电信号作为脑电信号训练样本，并记录对所述音乐短视频的情感状态，建立多个包括情感状态标签的脑电信号训练样本。

步骤s602，确定所述各脑电信号训练样本的时域特征。

在本发明实施例中，所述各脑电信号训练样本的时域特征与前述步骤s102中的时域特征相同。

步骤s603，根据预设的规则生成多个基于随机森林算法的训练状态识别模型。

在本发明实施例中，结合对前述步骤s501的解释说明可知，根据选择的特征信息或者判断顺序的不同，则基于随机森林算法的训练状态识别模型不同，因此，通过确定选择的特征信息以及判断各特征信息的顺序，可以生成多个基于随机森林算法的训练状态识别模型。

步骤s604，根据所述各脑电信号训练样本的时域特征以及基于随机森林算法的第一训练状态识别模型计算各脑电信号训练样本在第一训练状态识别模型下的第一情感状态训练结果。

在本发明实施例中，同样的，详细的步骤流程请参阅对前述步骤s501的解释说明。

步骤s605，根据各脑电信号训练样本的情感状态标签以及对应的第一情感状态训练结果计算脑电信号在第一训练状态识别模型下的第一训练准确率。

在本发明实施例中，通过计算各脑电信号训练样本在每一个训练状态识别模型下的识别结果，并综合各脑电信号训练样品自带的情感状态标签，可以确定各训练状态识别模型的准确率。

步骤s606，根据脑电信号在各训练状态识别模型下的训练准确率确定最优训练状态识别模型。

在本发明实施例中，一般而言，将准确率最高的训练状态识别模型确定为最优训练状态识别模型，所述最优训练状态识别模型即为基于随机森林算法的第一状态识别模型。

图7为本发明实施例中一种确定最终情感状态的方法的步骤流程图，详述如下：

在本发明实施例中，为提高识别的准确率，可以通过计算各情感状态识别模型的准确率，并根据各情感状态识别模型的准确率确定各情感识别模型的权重。

步骤s701，采集多个包括情感状态标签的脑电信号测试样本。

在本发明实施例中，所述测试样本与训练样本的采集方式相同，也可是从训练样本中随机抽选多个样本组成测试样本。

步骤s702，确定所述各脑电信号测试样本的时域特征、频域特征以及脑网络特征。

在本发明实施例中，所述脑电信号测试样本的时域特征、频域特征以及脑网络特征与前述步骤s102相同。

步骤s703，根据所述各脑电信号测试样本的时域特征以及基于随机森林算法的第一状态识别模型确定与所述各脑电信号测试样本对应的第一情感状态测试结果。

步骤s704，根据各脑电信号测试样本的情感状态标签以及对应的第一情感状态测试结果计算脑电信号在第一状态识别模型下的第一准确率。

在本发明实施例中，步骤s703～s704用于计算第一状态识别模型的准确率。

步骤s705，根据所述各脑电信号测试样本的频域特征以及基于k-最近邻算法的第二状态识别模型确定与所述各脑电信号测试样本对应的样本第二情感状态测试结果。

步骤s706，根据各脑电信号测试样本的情感状态标签以及对应的第二情感状态测试结果计算脑电信号在第二状态识别模型下的第二准确率。

在本发明实施例中，步骤s705～s706用于计算第二状态识别模型的准确率。

步骤s707，根据所述各脑电信号测试样本的脑网络特征以及基于支持向量机算法的第三状态识别模型确定与所述各脑电信号测试样本对应的样本第三情感状态测试结果。

步骤s708，根据各脑电信号测试样本的情感状态标签以及对应的第三情感状态测试结果计算脑电信号在第三状态识别模型下的第三准确率。

在本发明实施例中，步骤s707～s708用于计算第三状态识别模型的准确率。

步骤s709，根据所述第一准确率、第二准确率以及第三准确率确定各状态识别模型的权重。

在本发明实施例中，设所述第一准确率、第二准确率以及第三准确率分别为x，y，z，则第一状态识别模型的权重为x/(x+y+z)，第二状态识别模型的权重为y/(x+y+z)，第三状态识别模型的权重为z/(x+y+z)。

步骤s710，根据所述各状态识别模型的权重综合第一情感状态、第二情感状态以及第三情感状态确定最终情感状态。

本发明实施例提供了一种根据各状态识别模型的准确率作为各状态识别模型的权重确定最终情感状态的方法，有效地提高了最终确定的情感状态的准确率。

图8为本发明实施例提供的一种情感状态识别装置的结构示意图，为了便于说明，仅示出与本发明实施例相关的部分。

在本发明实施例中，所述情感状态识别装置包括多通道脑电信号获取单元801、特征信息提取单元802以及情感状态确定单元803。

所述多通道脑电信号获取单元801，用于获取待识别情感状态的多通道脑电信号。

在本发明实施例中，所述多通道脑电信号通过不同传感器上获取。

所述特征信息提取单元802，用于确定所述多通道脑电信号的时域特征、频域特征以及脑网络特征，所述时域特征包括各通道脑电信号的最大值，最小值，均值以及标准差。

在本发明实施例中，由于所述多通道脑电信号是一种时域信号，因此可以直接确定所述时域特征，所述时域特征包括但不限于最大值，最小值，均值和标准差，还可以包括一阶差分平均绝对值，二阶差分平均绝对值，偏度，峰度等可以用于衡量一个时域信号的指标，所述时域特征可以用一个高维向量表示，所述时域特征＝(最大值，最小值，均值，标准差，...)＝(a1，a2，a3，a4，...)。

所述情感状态确定单元803，用于根据所述多通道脑电信号的时域特征、频域特征与脑网络特征以及预设的脑电信号情感状态识别模型确定与所述多通道脑电信号对应的情感状态。

在发明实施例中，所述多通道脑电信号对应的情感状态分为正性情感状态和负性情感状态两类，将所述多通道脑电信号的时域特征、频域特征与脑网络特征输入到预设的脑电信号情感状态识别模型后，输出为0～1之间的一个数值，其中，输出值越接近0，确定与所述多通道脑电信号对应的情感状态为负性情感状态，输出值越接近1，确定与所述多通道脑电信号对应的情感状态为正性情感状态。

本发明实施例提供的一种情感状态识别方法，通过确定待识别情感状态的多通道脑电信号的时域特征、频域特征以及脑网络特征，并根据上述所述特征信息以及预设的脑电信号情感状态识别模型，确定并输出所述多通道脑电信号的情感状态的识别结果，本发明相比于现有技术，利用多通道脑电信号的时域特征、频域特征以及脑网络特征对情感状态进行识别，有效地提高了识别的效果以及准确率。

本发明实施例提供一种计算机装置，该计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现上述图1至图7所示出的实施例所提供的情感状态识别方法的步骤。

示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。例如，计算机程序可以被分割成上述各个方法实施例提供的情感状态识别方法的步骤。

本领域技术人员可以理解，上述计算机装置的描述仅仅是示例，并不构成对计算机装置的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信号以及软件分发介质等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。