基于心情指数的多层情感计算方法与流程

本发明涉及一种基于心情指数的多层情感计算方法，用于人机交互过程中，对机器的情感状态进行个性化建模和描述。

背景技术：

在人与计算机(或者机器人)的交互过程中，情感因素的引入能够使相互之间的交流更加自然和谐。人机情感交互就是要赋予计算机类似人一样的观测、理解和生成各种情感特征的能力，最终使得机器人能够像人一样进行自然、生动和富有感情的交互。

针对人机情感交互，1997年，美国mit媒体实验室的picard(罗莎琳德·皮卡德)教授首次提出情感计算的概念，对情感计算的研究主要包括情感识别、情感表示、情感建模、情感交互四个方面，其中，建立一个合适的计算模型来描述情感是情感计算领域亟待解决的关键问题,

由于人类情绪和情感的复杂性，使得建立一个合适的计算模型来表达人类情感与认知的关系是一项十分有挑战性的工作。近年来，针对此问题，心理学和计算科学领域的研究人员通过研究已经建立了相关情感模型，总体来说，这些模型可以分为三大类，即：基于认知的情感模型、基于概率的情感模型和多层情感模型。例如，1988年ortony、clore、collins等人从情感认知评价角度提出了第一个适合于计算机实现的occ情感模型；1995年mit媒体实验室的picard等人提出的基于隐马尔可夫(hmm)的情感模型；2002年以来，北京科技大学的王志良等人对hmm做了更加深入的研究；2002年kshirsagar等人提出一个“性格-心情-情感”多层情感模型,将人的性格与情感联系了起来,并成功地将其应用于虚拟人面部表情合成。

上述这些工作都极大地推进了情感建模的研究，但是，这些模型大多不能完整的描述人类情感的动态变化过程，在实践过程中存在很多不足。例如，基于认知的情感模型仅考虑了情感本身的认知因素产生机制,缺乏对性格等非认知因素的考虑；基于概率的情感模型仅从纯概率的角度来处理情感，或通过假设少量的离散情感以及小范围的情感变化幅度来简化模型；kshirsagar的多层情感模型对心情的处理比较模糊，不适合描述人类复杂的心情,也不能很好地将性格与情感联系起来。然后，人类情感本身是一个非常复杂的过程,它受诸多因素的综合影响,如外界刺激、个体性格、心情波动等,因此，需要研究更加合适的情感计算模型来更好的模拟人类的情感变迁。

技术实现要素：

本发明的目的是提供一种基于心情指数的多层情感计算方法，有效融合了心情状态、个性特征、情感状态，用于人机交互过程中，对机器人的情感状态进行个性化计算，解决现有技术中存在的上述问题。

本发明的技术解决方案是：

一种基于心情指数的多层情感计算方法，包括以下步骤，

步骤1、根据输入的刺激向量，计算当前时刻的心情指数m(t)；

步骤2、根据输入刺激和心情指数，计算当前时刻的情感强度e(t)；

步骤3、根据情感强度和状态转移概率矩阵，计算状态转移后的情感概率，并输出概率值最大的情感状态。

进一步地，步骤1具体包括以下步骤：

步骤1.1、基于ocean性格矢量计算基础心情mb；

步骤1.2、根据外部刺激，计算熟悉度和好感度，进而计算心情变化量；

步骤1.3、计算心情指数随时间的衰减；

步骤1.4、计算当前心情指数m(t)。

进一步地，步骤1中，

步骤1.1具体为：性格是一个不变的量，采用五元组p＝[po,pc,pe,pa,pn]来描述，用基础心情mb来表示性格对基础心情的影响程度，具体计算如下：

mb＝xp^t＝[x1,x2,x3,x4,x5][po,pc,pe,pa,pn]^t

＝x1po+x2pc+x3pe+x4pa+x5pn

其中，为ocean模型中，5种人格因素对心情的影响系数；t表示矩阵的转置运算；

步骤1.2具体为：通过刺激极性spolar∈[-1,1]、熟悉度dfamiliar∈[0,1]、好感度dfavor∈[-1,1]三个参数综合计算心情变化量mc；根据外部刺激值，刺激极性的计算公式为：

spolar＝φ(t)q^t=[φ1(t),φ2(t),...,φn(t)][q1,q2,...,q6]^t

其中，φ(t)=[φ1(t),φ2(t),...,φ6(t)]为刺激向量，φi(t)∈[0,1],i=1,2,...,6，为外界刺激事件对6种基本情感的诱发变化；q＝[q1,q2,...,q6],且为刺激的极性系数；t表示矩阵的转置运算；

熟悉度与交互频率fa和交互间隔da有关，具体计算公式为：

其中，e为自然底数；

好感度与历史交互有关，计算公式如下：

dfavor(t)＝dfavor(t-1)+δdfavor

其中，δdfavor为一次交互引起的好感度的变化量；

综合熟悉度和喜好度，心情变化量mc计算如下：

步骤1.3具体为：心情指数的衰减函数如下：

m′(t)=m(t-1)×e^-mb；

步骤1.4具体为：综合步骤1.1、1.2、1.3的计算，得到当前心情指数m(t)如下：

m(t)＝(1-α)m(t-1)+αm′(t-1)

m(0)＝mb

其中，α,β∈(0,1)分别为心情衰减系数和心情变化影响系数。

进一步地，步骤2具体为：

步骤2.1、根据步骤1所得心情指数m(t)，计算性格对当前情感的影响分量；

步骤2.2、根据步骤1所得心情指数m(t)，计算外部刺激对当前情感的影响分量；

步骤2.3、计算不同情感状态之间的相互影响分量；

步骤2.4、根据步骤1所得心情指数m(t)，计算情感强度随时间的衰减分量；

步骤2.5、计算当前情感强度e(t)。

进一步地，步骤2中，步骤2.1具体为：首先，以pad情感空间作为过渡，将性格p映射到occ情感空间，计算方法为：

eocc(t)＝m(t)·p·k^t·focc^t

其中，是一个24维的occ情感向量，k为性格到pad情感的转换矩阵，focc为pad情感到occ情感的映射矩阵，t表示矩阵的转置运算；

然后，将occ情感分量映射到基本情感中，具体为：

ep(t)＝[e1p(t),e2p(t),e3p(t),e4p(t),e5p(t),e6p(t)]

其中，ep(t)＝[e1p(t),e2p(t),e3p(t),e4p(t),e5p(t),e6p(t)]为性格对基础情感的影响分量；

步骤2.2具体为，外部刺激对情感的影响分量estimus(t)为：

其中，k1,k2分别为影响系数矩阵；

步骤2.3具体为，计算不同情感状态之间的相互影响分量einter(t)：

einter(t)=λ·e(t)

其中，为情感相互影响矩阵，λij∈[-1,1],i,j＝1,2,...,6表示情感i对情感j的影响因子，λij＞0表示激励作用，λij＜0表示抑制作用；

步骤2.4具体为，计算情感强度随时间的衰减分量efade(t)为：

efade(t)＝e(t)·e^(-m(t))；

步骤2.5具体为，当前情感强度e(t)为：

e(t)＝β1ep(t)+β2estimus(t)+β3einter(t)+β4efade(t)

其中，为各个情感影响分量的影响系数。

进一步地，步骤3具体为：

步骤3.1、基于阈值判断是否有新的情感被激活；

步骤3.2、根据状态转移概率矩阵，更新的情感概率π(t)；

步骤3.3、选择情感概率值最大的情感作为当前情感状态输出。

进一步地，步骤3中，步骤3.1具体为：

采用ω表示情感激活阈值，h(t)＝[h1(t),h2(t),...,h6(t)]表示基本情感是否被激活，其中

其中，ei(t),i＝1,2,...,6分别表示6种基础情感的强度，hi(t),i＝1,2,...,6分别表示第i种基础情感是否激活，表示有基本情感被激活了；则表示没有情感被激活；

步骤3.2具体为：在t时刻，没有情感被激活，则不进行概率计算，此时，处于平静状态；当某些基本情感被激活时，首先根据情感强度e(t)计算该时刻的情感状态概率π(t)＝[π1(t),π2(t),π3(t),π4(t),π5(t),π6(t)]，其中

然后，根据状态转移矩阵a来更新情感状态的概率分布π′(t)=π(t)a，其中，矩阵a为马尔科夫状态转移矩阵；

步骤3.3具体为：根据计算获得的情感概率π′(t)，选择概率值最大的情感作为当前情感状态，即

本发明的有益效果是：该种基于心情指数的多层情感计算方法，定义了心情指数，并且量化了心情、性格与情感之间的关系，有效融合了外界刺激、心情状态、个性特征、情感衰减和情感相互作用对情感变化的影响，重点关注刺激对心情的影响，然后基于心情指数计算情感强度的变化，最后基于状态概率来选择情感状态，这个过程更加贴近人类的认知实际。该方法克服了occ情感模型忽视非认知因素的缺点，弥补了hmm模型仅从概率上处理情感的缺陷，克服了多层情感模型对心情处理模糊的缺点，能更好地反映人类情感变化的特点，更好的实现对机器人情感状态的个性化计算。

附图说明

图1是本发明实施例基于心情指数的多层情感计算方法的流程示意图。

图2是pad情感空间到occ情感空间的映射关系图。

图3是情感状态转移和更新计算过程示意图。

图4是6种基本情感和平静状态之间的状态转移示意图。

图5是情感计算结果示例图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

实施例的基于心情指数的多层情感计算方法涉及到心情、个性、情感三者关系以及它们在外界刺激作用下的时间响应，为便于后续说明，首先给出相关概念及量化定义。

情感：情感是一种心理状态和过程，是人对客观事物的态度的体验，是人的需要是否获得满足的反应。关于情感的表示和分类，目前没有统一的定义。实施例采用在心理学界和工程界占主体地位的ekman情感分类方法，主要针对6种基本情感进行计算，即恐惧fear、愤怒anger、悲伤sadness、厌恶disgust、高兴happiness、惊奇surprise，为便于描述，采用6维向量e(t)＝[e1(t),e2(t),e3(t),e4(t),e5(t),e6(t)]表示个体在t时刻的情感状态变量，其中，e1(t),e2(t),e3(t),e4(t),e5(t),e6(t)∈[0,1]分别代表个体具有恐惧、愤怒、悲伤、厌恶、高兴、惊奇6种基本情感的强度。

另外，采用情感状态概率π(t)＝[π1(t),π2(t),π3(t),π4(t),π5(t),π6(t)]来表征在t时刻，个体对外表现为相应情感状态的可能性，其中，π1(t),π2(t),π3(t),π4(t),π5(t),π6(t)∈[0,1]分别表示个体处于恐惧、愤怒、悲伤、厌恶、高兴、惊奇6种情感状态的概率值，且

刺激：人类情感的产生都是由外部刺激引发的，这些外部刺激信号包括表情、语音、手势、肢体动作以及各种生理信号，人脑能够提取这些刺激中的情感因素，作为情感交互的输入，激励人类的心情和情感发生相应的变化。在实施例中，采用刺激向量φ(t)＝[φ1(t),φ2(t),...,φ6(t)]，其中，φi(t)∈[0,1],i＝1,2,...,6分别对应外界刺激事件对6种基本情感的诱发变化。

心情：根据心理学研究，心情是一种较持久而微弱的、影响人的整个精神活动的情绪状态，它是一个随着时间变化的量，通常，可以把心情分为好、坏、正常三种情况，研究表明：积极的心情可以对消极情绪刺激产生抑制作用，同样，消极的心情对积极情绪刺激也可以产生抑制作用。为便于计算机进行计算，实施例引入心情指数m(t)∈[-1,1]来衡量t时刻的心情状态的好坏程度，0表示心情正常，正值表示好心情，1表示心情最好，负值则表示坏心情，-1表示心情最差。

为进一步计算心情指数，实施例引入熟悉度和好感度两个参数。

熟悉度：表示机器对用户的熟悉程度，用参数dfamiliar∈[0,1]来描述，其取值与人机交互频率和人机交互时间间隔有关，取值为0表示，机器对该用户很陌生。人机交互的次数越多，人机交互的时间间隔越短，则表明机器对用户就越熟悉，如果长期没有人机交互，或者交互事件间隔越长，则熟悉度会下降，因为人与人之间长期不打交道会逐渐变得陌生。

好感度：表示机器对用户的喜好程度，用参数dfavor∈[-1,1]来描述，其取值与历史交互有关，每一次人机交互都会产生一种情感刺激，正向的情感刺激，导致对机器人对用户的好感度增加，反之，负向的情感刺激会导致好感度下降。

个性：即性格，是决定人的独特行为和思想的个人内部身心系统的动力组织。在实施例中，采用心理学中广泛认可的ocean人格模型来对个性进行描述，即定义一个五元组p＝[po,pc,pe,pa,pn]，其中，po,pc,pe,pa,pn∈[0,1]，分别表示性格的开放性openness、谨慎性conscientiousness、外倾性extraversion、宜人性agreeableness和神经质neuroticism五方面因子。

在上述定义的基础上，实现实施例目的的技术方案为：一种基于心情指数的多层情感计算方法，包括以下步骤：

步骤1、根据输入的刺激向量，计算当前时刻的心情指数m(t)；

步骤1.1、基于ocean性格矢量计算基础心情；

步骤1.2、根据外部刺激，计算熟悉度和好感度，进而计算心情变化量；

步骤1.3、计算心情指数随时间的衰减；

步骤1.4、计算当前心情指数m(t)。

步骤2、计算当前时刻的情感强度e(t)；

步骤2.1、根据心情指数m(t)，计算性格对当前情感的影响分量；

步骤2.2、根据心情指数m(t)，计算外部刺激对当前情感的影响分量；

步骤2.3、计算不同情感状态之间的相互影响分量；

步骤2.4、根据心情指数m(t)，计算情感强度随时间的衰减分量；

步骤2.5、计算当前情感强度e(t)。

步骤3、情感状态的转移与输出；

步骤3.1、基于阈值判断是否有新的情感被激活；

步骤3.2、根据状态转移概率矩阵，更新的情感概率π(t)；

步骤3.2、选择情感概率值最大的情感作为当前情感状态输出。

实施例的基于心情指数的多层情感计算方法，具体实现如下：

在人机交互过程中，用户会产生各种交互输入，例如用户的语音指令输入、人脸图像输入、用户屏幕点击等等，上述每一次交互都会对机器产生一个刺激，按照心理学的认知评价理论，外界刺激事件通过感知评价转化为情感诱发变量。

实施例主要针对6种基本情感，采用刺激向量φ(t)＝[φ1(t),φ2(t),..,φ6(t)]来描述外部刺激事件对恐惧、愤怒、悲伤、厌恶、高兴、惊奇6种基本情感的变化影响，例如，在t时刻，输入一个高兴的情感刺激φ(t)＝[0,0,0,0,0.9,0]，则后续的情感计算过程如下：

如图1所示，根据发明步骤1，针对输入的刺激向量φ(t)＝[0,0,0,0,0.9,0]，计算心情指数m(t)。

心情是一种能影响人的整个精神活动的情感状态，在实施例中，采用心情指数m(t)∈[-1,1]来衡量心情的状态，主要包含2个方面，一是基础心情，与个人的性格相关，二是心情变化，取决于外界的刺激、个体的性格，并随着时间变化而不断淡化。因此，心情指数的计算更新必须体现上述因素的综合影响，其具体计算步骤如下：

1)基于ocean性格向量计算基础心情mb；

在实施例中，性格是一个不变的量，采用五元组p＝[po,pc,pe,pa,pn]来描述，不同的性格取值不同，个体某个方面的因素值越大，表明个体的这一个因素的表现越明显，例如，p＝[0.4,0.3,0.8,0.2,0.1]表示这是一个活泼开朗、外向的个体。心情受到性格的影响，不同性格的个体，其基本的心情状态是不一样的，因此，用基础心情mb来表示性格对基础心情的影响程度，具体计算如下：

mb＝xp^t[x1,x2,x3,x4,x5][po,pc,pe,pa,pn]^t

＝x1po+x2pc+x3pe+x4pa+x5pn

其中，为ocean模型中，5种人格因素对心情的影响系数，在实施例中，取值为x＝[0.3,0.35,0.05,0.1,0.2]。

2)基于外部刺激计算熟悉度和好感度，进而计算心情变化量mc；

心情的变化由外部刺激引起的，当机器收到外部刺激之后，其心情指数将发生偏离。为了衡量在外部刺激之下的心情变化，通过刺激极性spolar∈[-1,1]、熟悉度dfamiliar∈[0,1]、好感度dfavor∈[-1,1]三个参数综合计算。

通常，积极的刺激使得心情指数增大，反之，消极的刺激将导致心情指数降低，因此，实施例中，根据外部刺激值，刺激极性的计算公式为：

spolar＝φ(t)q^t＝[φ1(t),φ2(t),...,φn(t)][q1,q2,...,q6]^t

其中，φ(t)＝[φ1(t),φ2(t),...,φ6(t)]为刺激向量，φi(t)∈[0,1],i＝1,2,...,6，为外界刺激事件对6种基本情感的诱发变化；q＝[q1,q2,...,q6],且为刺激的极性系数；t表示矩阵的转置运算，下同。在实施例中，取值q＝[-0.2,-0.3,-0.3,-0.22]，,此时，,输入刺激为φ(t)＝[0,0,0,0,0.9,0]的时候，可计算得到其极性值为spolar＝0.72。

熟悉度与交互频率fa和交互间隔da有关，人机交互越频繁，交互时间间隔越短，则表明机器对用户就越熟悉，如果长期没有人机交互，或者交互事件间隔越长，则熟悉度会下降，因为人与人之间长期不打交道会逐渐变得陌生。具体计算公式为：

其中，e为自然底数，下同。

例如，当交互频率fa＝0.1，时间间隔da＝2时，dfamiliar＝0.035。

好感度与历史交互有关，每一次交互都会对用户产生影响，根据每一次交互产生的刺激极性，好感度不断变化，计算公式如下：

dfavor(t)＝dfavor(t-1)+δdfavor

其中，δdfavor为一次交互引起的好感度的变化量，例如，输入积极的刺激spolar＝0.72，好感度变化为δdfavor＝0.3452。

综合熟悉度和喜好度，心情变化量mc计算如下：

从上式可知，如果好感度较低(不喜欢某人)，机器对用户越熟悉，交互越频繁，则心情会变得越差。反之，如果好感度高(喜欢某人)，机器对用户越熟悉，打交道越多，则心情会变得越来越好。

3)计算心情指数随时间的衰减。

当外界刺激消失以后，随着时间的变化，心情会逐渐平静下来，即心情指数会逐渐衰减，心情衰减变化的快慢与个体性格相关，按照心理学的研究，心情和情感的衰减曲线与指数函数相近，因此，在实施例中，心情指数的衰减函数如下：

m′(t)＝m(t-1)×e^-mb

综合上述1)、2)、3)的计算，可以得到当前心情指数m(t)如下：

m(t)＝(1-α)m(t1)+αm′(t-1)

m(0)＝mb

其中，初始值m(0)＝mb为基础心情，与性格相关，α,β∈(0,1)分别为心情衰减系数和心情变化影响系数，实施例中，取值为α＝0.3,β＝0.8。

然后，根据实施例的步骤2，基于心情指数m(t)和外部刺激来计算当前时刻的情感强度e(t)。

情感是心理学概念，为便于描述机器的情感状态强弱和情感变化过程，选择取值为0-1之间的向量e(t)＝[e1(t),e2(t),e3(t),e4(t),e5(t),e6(t)]来表示6种基础情感的强度，数值越大表明这种基础情感就越强烈。

情感强度的变化与心情状态、个性特征、外界刺激、情感衰减等多个方面因素有关，下面，按照实施例的步骤2.1到2.4分别进行计算。

1)计算性格对情感的影响分量ep(t)

首先，以pad情感空间作为过渡，将性格p映射到occ情感空间，计算方法为：

eocc(t)＝m(t)p·k^t·focc^t

其中，是一个24维的occ情感向量，t表示矩阵的转置运算；k为性格到pad情感的转换矩阵，一般取值为：

focc为pad情感到occ情感的映射矩阵，对照图2所示的映射关系表，具体可以取值为：

然后，将occ情感分量映射到实施例的基本情感中，具体为：

ep(t)＝[e1p(t),e2p(t),e3p(t),e4p(t),e5p(t),e6p(t)]

其中，ep(t)＝[e1p(t),e2p(t),e3p(t),e4p(t),e5p(t),e6p(t)]为性格对基础情感的影响分量。

经过上述转换后，可以计算在性格为p＝[0.4,0.3,0.8,0.2,0.1]，心情指数为m(t)＝0.3的时候，性格对基础情感的影响分量为：

ep(t)＝[-0.4677,0.0002,-0.3875,-0.0299,0.1820,0]

可见，实施例在个性p对情感的影响基础上，引入了一个心情调节系数m(t)，使得个性对情感的影响随着心情不同而变化。

2)计算外部刺激对当前情感的影响分量estimus(t)

外部刺激对情感的变化有直接影响，心情好的时候，会强化积极的刺激影响，会减弱消极的刺激影响，因此，刺激对情感的影响分量estimus(t)计算公式为：

其中，k1,k2分别为影响系数矩阵，可取值为k1＝[0.8,0.7,0.7,0.8,1.3,1.1]，k1＝[1.3,1.2,1.2,1.3,0.9,0.8]。

3)计算不同情感状态之间的相互影响分量einter(t)

人类情感的复杂性，使得同一时刻同一个人会被多种情感交织，而且这些情感会相互影响，包括相互抑制、相互激励、或者无作用三种方式，基本情感状态之间的相互影响关系如表1所示：

表1六种基本情感之间的相互影响

因此，情感之间的相互影响分量einter(t)可以表示如下：

einter(t)＝λ·e(t)

其中，为情感相互影响矩阵，λij∈[-1,1],i,j＝1,2,...,6表示情感i对情感j的影响因子，λij＞0表示激励作用，λij＜0表示抑制作用。

通常，相互影响矩阵可以取值为：

4)计算情感强度随时间的衰减分量efade(t)

情感复杂体现在其易变性上，情感具有瞬时性，随着时间的推移，情感衰减就越明显，同时，情感的衰减速度与心情、性格相关，因此，实施例定义的情感随时间的衰减分量efade(t)为：

efade(t)＝e(t)e^(-m(t))

综合上述的心情、个体性格、外界刺激、情感之间相互作用以及情感衰减对情感强度变化的影响，可以计算得到当前情感强度e(t)为：

e(t)＝β1ep(t)+β2estimus(t)+β3einter(t)+β4efade(t)

其中，为各个情感影响分量的影响系数。可以取值为β1＝0.4,β2＝0.3,β3=0.1,β4＝0.2。

最后，按照实施例的步骤3，基于当前综合情感强度e(t)，计算情感状态的转移和情感状态概率，并输出当前情感状态，其基本过程如图3所示，按照如下步骤实施:

1)基于阈值判断是否有新的情感被激活

情感强度e(t)的大小反应了情感的强弱，当某种情感强度值达到一定阈值时，该情感会被激活，个体就会表现出这种基本情感，这个值称为情感激活阈值，在实施例中，采用ω表示情感激活阈值，取值为ω=0.1。

令h(t)＝[h1(t),h2(t),...,h6(t)]表示基本情感是否被激活，其中

其中，ei(t),i＝1,2,...,6分别表示6种基础情感的强度，hi(t),i＝1,2,...,6分别表示第i种基础情感是否激活；

此时，可知，如果有基本情感被激活了，则必然满足否则表示没有情感被激活。

2)根据状态转移概率矩阵，更新情感概率π(t)

在实施例中，机器具有6种基本情感状态，另外还有一种无情感的状态，即平静状态，如图4所示，任意时刻，机器始终处于这7种状态中的一种，这7种状态是可以相互之间任意转换的，其转换过程遵循马尔可夫过程，具体的计算如下：

在t时刻，当某些基本情感被激活时，首先根据情感强度e(t)计算该时刻的情感状态概率π(t)＝[π1(t),π2(t),π3(t),π4(t),π5(t),π6(t)]，其中

然后，根据状态转移矩阵a来更新情感状态的概率分布π′(t)＝π(t)a，其中，矩阵a为马尔科夫状态转移矩阵，其系数描述了从一种基本情感跳转到另外一种情感的可能性，与个体的性格有关系，不同类型的机器可以采用不同的值，在实施例中，a可以取值为：

另外，如果所有情感的情感强度都很小，没有情感被激活，则不进行概率计算，此时，处于平静状态。

3)选择情感概率值最大的情感作为当前情感状态输出

最后，根据计算获得的情感概率π′(t)，选择概率值最大的情感作为当前情感状态，即

按照上述基于心情指数的多层情感计算步骤，下面给出一个具体的实施例子。

假定机器的性格为p＝[0.4,0.3,0.8,0.2,0.1]，各项参数取值按照上面的取值，在t＝0时刻接收到一个厌恶的刺激φ(0)＝[0,0,0,0.9,0,0]，然后在t＝20和t＝25时刻分别收到一个高兴的刺激φ(20)＝[0,0,0,0,0.9,0]，φ(30)＝[0,0,0,0,0.9,0]，则按照实施例提出的计算步骤，其情感变化过程如图5所示，可以看出，心情指数随着不同的刺激发生相应的变化，其情感强度也发生相应的波动，在没有刺激时，心情逐渐平静，情感强度也逐渐衰减，按照最终的情感概率结果来看，在第0-14时刻，情感状态为厌恶，第15-16时刻，情感状态为恐惧，然后转为平静状态，在第21-35时刻，情感状态为高兴，后续没有刺激，所以保持平静状态，符合正常的心理变化，说明实施例提出的方法能够有效的反应人类情感变化的特点，实现对机器人情感状态的个性化计算。