一种子情绪划归方法与流程

本发明涉及智能医疗领域，尤其涉及一种子情绪划归方法。

背景技术：

研究报告显示，用户的情绪状态与用户的身体健康状况有重要关系，因此，如何基于现代化的智能穿戴设备达到随时关注用户情绪状态的目的是目前亟待解决的问题。

情绪起因复杂，并且包含多种成分，因此对于情绪的分析一直是学术界的难点，而基于生理信号判断情绪更是具备较高的难度，因此，如何基于生理信号获取情绪这一问题一直有待解决。

技术实现要素：

为了解决上述技术问题，本发明提出了一种子情绪划归方法。本发明具体是以如下技术方案实现的：

一种子情绪划归方法，所述方法用于以子情绪的方式描述原始情绪矢量，包括：

量化原始情绪的表达程度；原始情绪向量原始情绪向量的值为a＝{a0,a1,a2,a3,a4,a5,a6,a7}，各个位置值的含义依次为讶异程度、狂喜程度、愤怒程度、悲痛程度、警惕程度、热爱程度、憎恨程度、恐慌程度；

使用预设的三级分类算法划分原始情绪的子情绪。

进一步地，使用数值0-100来量化原始情绪的表达程度，其中100表达最为强烈，0表达最为轻微。

进一步地，对于每个原始情绪均设定其对应的第一界值和第二界值，每个原始情绪对应的第一界值可以不同，第二界值也可以不同。

进一步地，所述使用预设的三级分类算法划分原始情绪的子情绪包括：

a0小于第一界值，则其对应的子情绪为分散/错乱，a0大于第一界值并且小于第二界值，其对应的子情绪为惊奇，a0大于第二界值，其对应的子情绪为讶异；

a1小于第一界值，则其对应的子情绪为平静，a1大于第一界值并且小于第二界值，其对应的子情绪为快乐；a1大于第二界值，其对应的子情绪为狂喜；

a2小于第一界值，则其对应的子情绪为烦恼，a2大于第一界值并且小于第二界值，其对应的子情绪为气愤，a2大于第二界值，其对应的子情绪为愤怒；

a3小于第一界值，则其对应的子情绪为沉思，a3大于第一界值并且小于第二界值，其对应的子情绪为哀伤，a3大于第二界值，其对应的子情绪为悲痛；

a4小于第一界值，则其对应的子情绪为兴趣，a4大于第一界值并且小于第二界值，其对应的子情绪为预警，a4大于第二界值，其对应的子情绪为警惕；

a5小于第一界值，则其对应的子情绪为接受，a5大于第一界值并且小于第二界值，其对应的子情绪为喜欢，a5大于第二界值，其对应的子情绪为热爱；

a6小于第一界值，则其对应的子情绪为无聊，a6大于第一界值并且小于第二界值，其对应的子情绪为嫌恶，a6大于第二界值，其对应的子情绪为憎恨；

a7小于第一界值，则其对应的子情绪为忧虑，a7大于第一界值并且小于第二界值，其对应的子情绪为害怕，a7大于第二界值，其对应的子情绪为恐慌。

进一步地，还包括：

以文字的形式输出原始情绪矢量。

进一步地，还包括：

所述文字化结果为情绪向量中非零值对应的子情绪的并集。

进一步地，在所述量化原始情绪的表达程度之前，还包括：

采集原始生理信号；

得到原始情绪矢量对应的原始情绪矢量。

本发明实施例提供供一种子情绪划归方法，能够基于子情绪表达法输出文字化的情绪判断结果，以便于了解用户的情绪状态，具有良好的用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明实施例提供的一种情绪粗略划归模型构建方法流程图；

图2是本发明实施例提供的神经网络的训练方法流程图；

图3是本发明实施例提供的一种情绪精细划归模型构建方法流程图；

图4是本发明实施例提供的一种自动进行情绪粗略获取的方法流程图；

图5是本发明实施例提供的一种情绪精确获取方法流程图；

图6是本发明实施例提供的以子情绪的方式描述原始情绪矢量方法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例公开一种情绪粗略划归模型构建方法，如图1所示，所述方法包括：

s1.获取原始数据集，所述原始数据集中的每个元素均包括原始生理信号数据包和原始情绪向量。

所述原始生理信号数据包通过当被测试者处于某种情绪下时在被测试者设上佩戴采集设备而获取。为了使得被测试者处于某种情绪之中，可以对被测试者进行情绪诱导。

具体地，所述原始生理信号的获取包括下述内容：

(1)测量被测试者的皮肤导电信号。

(2)将电极片贴于被测试者的左右前额和双侧耳垂，以测量被测试者的脑电波信号。

(3)测量被测试者的脉搏信号和呼吸信号。

具体地，为了建立更为合理的情绪划归模型，本发明实施例中经过发明人对于大量用户行为特征和情绪表达的研究成果，提取了最能够表达人体情绪的原始情绪，作为情绪程度划归模型的根基，本发明实施例中提取的原始情绪为：令人惊异、狂喜、愤怒、悲痛、警惕、热爱、憎恨、恐慌。显然，在人们的日常生活中，大部分的时间并不会产生特别强烈的情绪，发明人认为情绪的强烈程度也是情绪划归模型的另一个重要因素。

基于上述研究结果，本发明实施例中原始情绪向量的各个位置的含义依次为：讶异程度、狂喜程度、愤怒程度、悲痛程度、警惕程度、热爱程度、憎恨程度、恐慌程度。

s2.从原始数据集中提取情绪信息，构建与原始数量集中的元素一一对应的训练集，所述训练集中的元素均为情绪信号构成的情绪信号矢量，所述情绪信号矢量与所述原始情绪向量之间具备一一对应关系。

具体地，所述情绪信号为对原始生理信号数据包进行数据处理而得到，本发明实施例公开具体的数据处理方法，包括下述内容：

(1)提取皮肤电导信号中的情绪信息，具体方法为：

对所述皮肤电导信号进行离散采样，得到离散采样序列{i,f(i)}。

根据公式计算皮肤电导信号的第一特征参量。其中n为离散采样个数，t为预设常量，大于10小于40。

根据公式计算皮肤电导信号的第二特征参量。其中p为预设常量，取值在0到1之间，n为离散采样个数，其中λ(i-1,p,n-1)＝2f1(0,-i+1；-n+1；1/p)，其中2f1()表示高斯超几何级数。

(2)提取脑电波中的情绪信息，具体方法为：统计α波、β波和θ波的出现频率。

(3)计算脉搏信号和呼吸信号的统计值。

因此，与原始数量集中元素对应的情绪信号构成的情绪信号矢量各个位置的含义依次为：第一特征参量、第二特征参量、α波出现频率、β波出现频率、θ波出现频率、脉搏速率平均值、呼吸强度平均值和呼吸频率平均值。

s3.根据所述情绪信号矢量和所述原始情绪向量之间的一一对应关系训练预设神经网络模型。

具体地，所述神经网络模型以情绪信号矢量为输入，以情绪信号矢量对应的分组编号为输出。

具体地，所述神经网络模型包括输入层、神经元层和输出层。所述神经元层包括多个子层，每个子层的神经元都有对应编号，并且每个子层的神经元数量相等。在每个子层内部，相邻的神经元互相连接通信，并且每个神经元与下一层对应编号的神经元连接通信。

在本发明实施例中公开所述神经网络的训练方法，如图2所示，所述方法包括：

s31.根据原始情绪向量为所述情绪信号矢量进行分组，得到分组数据集。

原始情绪向量最大值所在元素位置相同的原始情绪向量被归结为一组，相应的，其对应的情绪信号矢量也被归结为一组。

因此，本发明实施例中共得到八组训练数据。分别为惊异数据组、狂喜数据组、愤怒数据组、悲痛数据组、警惕数据组、热爱数据组、憎恨数据组和恐慌数据组；相应的，这八组的分组编号为0-7。

s32.根据所述分组数据集训练所述神经网络模型，通过调节神经网络中各个神经元节点的权值，得到目标神经网络。在所述目标神经网络中，以所述分组数据集中的任何情绪信号矢量为输入得到的输出均与所述分组数据集中的分组结果一致。

为了更为精确的得到情绪的划归结果，本发明实施例进一步提供一种情绪精细划归模型构建方法，所述情绪精细划归模型构建方法作用分组数据集中的每一个分组，如图3所示，所述方法包括：

s100.计算分组内所有情绪信号矢量的致密度，并选取致密度最低的情绪信号矢量为目标情绪信号矢量。

本发明实施例中情绪信号矢量ai的致密度为其中其中n为分组内的情绪信号矢量个数。

s200.计算所述目标情绪信号矢量对应的目标邻域集。

具体地，所述目标邻域集中的元素为目标邻域。本发明实施例中的目标邻域为以目标情绪信号矢量为中心，m-1倍的r半径和m倍的r半径所形成环形区域中所有情绪信号矢量的集合，m为目标邻域的特征值。本发明实施例中r半径与情绪信号矢量的致密度有关，具体地，其中q为可调节系数，o(xi)为情绪信号矢量ai的致密度。各个目标邻域的特征值分别为1，2……，

s300.选出包含情绪信号矢量数量最多的k个目标邻域。

s400.获取每个目标邻域中对应的目标情绪信号矢量作为子归类中心。s500.获取子归类中心对应的原始情绪矢量。

基于上述神经网络模型的训练结果，本发明实施例进一步提供一种自动进行情绪粗略获取的方法，如图4所示，所述方法包括：

s101.获取采集到的原始生理信号。

s102.对所述原始生理信号进行数据处理，得到其对应的情绪信号矢量。

s103.根据所述神经网络模型获取所述情绪信号矢量对应的分组编号以得到目标分组。

s104.输出所述目标分组中的目标情绪信号矢量对应的原始情绪矢量。

进一步地，基于情绪精细划归模型构建方法的实施结果，本发明实施例进一步提供一种情绪精确获取方法，所述方法在步骤s104的输出结果的基础上进一步实施，如图5所示，所述方法包括：

s201.计算所述目标分组中的各个子归类中心与所述情绪信号矢量的距离。

s202.输出距离最近的子归类中心对应的原始情绪矢量。

进一步地，为了划分更为精细，本发明实施例进一步公开了一种子情绪划归方法，所述方法为发明人根据用户的情绪表达和行为特征进行大量总结研究发现原始情绪不同的表达程度可以产生不同的子情绪，由此采用量化分类的方式得到了子情绪的划归方法，所述方法用于以子情绪的方式描述原始情绪矢量，所述方法如图6所示，包括：

s10.量化原始情绪的表达程度。

具体地，本发明实施例中使用数值0-100来量化原始情绪的表达程度，其中100表达最为强烈，0表达最为轻微。

s20.使用三级分类法划分原始情绪的子情绪。

具体地，对于每个原始情绪均设定其对应的第一界值和第二界值，每个原始情绪对应的第一界值可以不同，第二界值也可以不同。本发明实施例中原始情绪向量的值为a＝{a0,a1,a2,a3,a4,a5,a6,a7}，子情绪的划分方法如下：

(1)a0小于第一界值，则其对应的子情绪为分散/错乱，a0大于第一界值并且小于第二界值，其对应的子情绪为惊奇，a0大于第二界值，其对应的子情绪为讶异。

(2)a1小于第一界值，则其对应的子情绪为平静，a1大于第一界值并且小于第二界值，其对应的子情绪为快乐；a1大于第二界值，其对应的子情绪为狂喜。

(3)a2小于第一界值，则其对应的子情绪为烦恼，a2大于第一界值并且小于第二界值，其对应的子情绪为气愤，a2大于第二界值，其对应的子情绪为愤怒。

(4)a3小于第一界值，则其对应的子情绪为沉思，a3大于第一界值并且小于第二界值，其对应的子情绪为哀伤，a3大于第二界值，其对应的子情绪为悲痛。

(5)a4小于第一界值，则其对应的子情绪为兴趣，a4大于第一界值并且小于第二界值，其对应的子情绪为预警，a4大于第二界值，其对应的子情绪为警惕。

(6)a5小于第一界值，则其对应的子情绪为接受，a5大于第一界值并且小于第二界值，其对应的子情绪为喜欢，a5大于第二界值，其对应的子情绪为热爱。

(7)a6小于第一界值，则其对应的子情绪为无聊，a6大于第一界值并且小于第二界值，其对应的子情绪为嫌恶，a6大于第二界值，其对应的子情绪为憎恨。

(8)a7小于第一界值，则其对应的子情绪为忧虑，a7大于第一界值并且小于第二界值，其对应的子情绪为害怕，a7大于第二界值，其对应的子情绪为恐慌。

上述子情绪划归方法可以用于处理步骤s104和步骤s202的输出结果。

基于上述子情绪划归方法，可以以文字的形式输出原始情绪矢量，从而在进行情绪获取时可以输出文字化的结果，显然这将更有利于用户的理解。所述文字化结果为情绪向量中非零值对应的子情绪的并集。比如，若原始情绪矢量为{0,0,0,0,0,0,98}，则输出恐慌。若原始情绪矢量为{56,90,0,0,0,0,0,0}，则输出惊奇并狂喜。若原始情绪矢量为{0,0,78,0,0,0,80,60}，则输出气愤、预警并且警惕、憎恨并且害怕。

本发明实施例提供了情绪粗划归模型和精细精细划归模型的构建方法，并提供了自动进行情绪粗略划归和精细划归的方法，其能够自动基于用户的生理信号判断用户的情绪状态，具有多粒度，全自动，准确度高的显著优点；同时设计了子情绪表达法，并能够基于子情绪表达法输出文字化的情绪判断结果，以便于了解用户的情绪状态，具有良好的用户体验。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。