一种基于情感维度下的深度情感交互模型的构建方法技术

本发明专利技术属于情感识别、模式识别等领域，具体是一种基于情感维度下的深度情感交互模型的构建方法。解决了克服传统的情感模型只能对情感状态出现的概率进行描述而忽略情感本身的相互关联的问题，包括以下步骤：S100～针对实验室现有的情感脑电数据库提取情感特征；S200～构建最优深度RBM网络；S300～通过维度量化值的空间距离表征情感状态之间的关联程度，得到情感状态之间的权值；S400～构建关联认知网络S500～通过最优深度RBM网络与关联认知网络的结合构建深度情感交互模型，实现连续情感的准确判别。

A Construction Method of Deep Emotional Interaction Model Based on Emotional Dimension

The invention belongs to the fields of emotional recognition, pattern recognition, etc., and is specifically a construction method of deep emotional interaction model based on emotional dimension. To overcome the problem that traditional emotional models can only describe the probability of emotional states, but ignore the correlation of emotions themselves, the following steps are taken: extracting emotional features from the existing emotional EEG database in the laboratory, constructing the optimal depth RBM network from S200, and representing the degree of association between emotional states through the spatial distance of dimension quantified values from S300. The weights between emotional states are obtained, and the optimal depth RBM network and the associated cognitive network are combined to construct the deep emotional interaction model to realize the accurate discrimination of continuous emotions.

【技术实现步骤摘要】
一种基于情感维度下的深度情感交互模型的构建方法
本专利技术属于情感识别、模式识别等领域，具体是一种基于情感维度下的深度情感交互模型的构建方法。
技术介绍
情感是人们对客观事物是否满足自身需要而产生的综合状态，不同的情感状态影响了人们的学习、记忆与决策等。近年来，随着人工智能理论的发展，情感建模已成为当前的研究热点，受到国内外研究者的广泛关注。情感模型用以模拟人类对情感的处理过程。目前对情感模型的研究有许多代表性的成果，比较常用的浅层情感分类模型有支持向量机(SupportVectorMachine,SVM)、人工神经网络(ArtificialNeuralNetwork，ANN)、隐马尔可夫模型(HiddenMarkovModel，HMM)、高斯混合模型(GaussianMixtureModel，GMM)等。随着数据量的不断扩大，学术界和工业界对深度神经网络的研究热情高涨，并将深度神经网络(DeepNeuralNetwork，DNN)应用到了情感模型中。现有的情感模型所能描述的只是情感状态出现的概率或自发的转移过程，忽略了情感本身的特性，即情感是以系统的方式相互关联的，因此无法描述情感状态的波动与变迁。而当系统的情感模型与真实的情感数据拟合性较差时，会导致情感识别正确率的显著下降。
技术实现思路
本专利技术为了解决克服传统的情感模型只能对情感状态出现的概率进行描述而忽略情感本身的相互关联的问题，提供一种基于情感维度下的深度情感交互模型的构建方法。本专利技术采取以下技术方案：一种基于情感维度下的深度情感交互模型的构建方法，包括以下步骤：S100～针对实验室现有的情感脑电数据库提取情感特征；S200～构建最优深度RBM网络，将情感特征作为深度RBM网络的输入，获得底层情感特征与情感状态之间的权值；S300～通过维度量化值的空间距离表征情感状态之间的关联程度，得到情感状态之间的权值；S400～构建关联认知网络，将深度RBM网络的底层情感特征与情感状态之间的权值作为关联认知网络中输入与输出之间的权值，将情感状态之间的权值作为关联认知网络输出与输出之间的权值；S500～通过最优深度RBM网络与关联认知网络的结合构建深度情感交互模型，实现连续情感的准确判别。所述S100具体过程为：数据库采用情感脑电数据库，选取FC1、FC2、FC3、FC4、C1、C2、C3、C4、CP1、CP2、CP3、CP4位置处的电极，即共12导的脑电数据进行分析，提取表征脑电信号能量特性的传统特征能量、功率谱以及功率谱熵，表征脑电信号非线性属性特性的非线性属性特征近似熵、Hurst指数、Lyapunov指数以及刻画脑电信号几何结构的非线性几何特征，即脑电信号基于轨迹的描述符轮廓。非线性属性特征：根据脑电信号的非线性特性，提取表征脑电信号非线性属性特性的非线性属性特征，提取了相空间重构下的近似熵、Hurst指数、Lyapunov指数特征，其中，近似熵可作为衡量时间序列中的新信息发生率的有效方法，产生新模式的概率越大，序列的复杂性也越大，近似熵表示的是信息的不规则性，故而越复杂的信号近似熵也越大。最大Lyapunov指数：Lyapunov指数反映了相空间中相邻轨道的局部收敛或者发散的平均变化率。而最大Lyapunov指数(LargestLyapunovExponent，LLE)λ1表示轨道收敛或者发散的快慢程度。当λ1＞0时，λ1值越大表示轨道发散的速率也越大且混沌程度也越大。本项目采用Wolf方法求得最大Lyapunov指数。取相空间中初始点Xi并寻找其最近邻点Xi'距离为L0。追踪n时刻后两点之间的距离Li满足设定值ε，则保留此点。开始下一时刻的追踪。当追踪叠加M次后就能得到最大Lyapunov指数如式(1)所示：该方法相较于其他算法具有计算快、对嵌入维m、延迟时间τ和噪声都有很好的鲁棒性等特点。Hurst指数：Hurst指数(缩写为H)衡量了时间序列的长期记忆性。H值得范围为0-1。如果H＞0.5表示时间序列具有长期自相关性，时间序列前后关联性较大。使用重标极差分析方法计算H值。重标极差法分析是一种非参数统计方法，不受时间序列分布的影响。该方法是将一维情感语音信号[x(1),x(2),…,x(N)]分成M个长度相同的相邻子序列u。通过计算每个子序列的累积离差zu与标准差Su.通过计算每个子序列的重标极差Ru/Su，其中Ru＝maxzu-minzu得到Hurst指数。计算方法如(2)式所示：RM/SM＝bHM(2)通过上式两边取对数，求得H为Hurst指数，其中b为常数。当语音信号的情感状态不同时，H变化规律也不相同。提取情感语音的Hurst指数特征可以体现情感变化的前后关联性高低非线性几何特征：通过相空间重构将一维脑电信号映射到高维空间后，在高维空间里分析脑电信号，提取不同情感状态下相空间重构的几何特征：三种基于轨迹的描述符轮廓；本专利技术在相空间重构中，选取嵌入维数m＝3，时间延迟τ＝4，当原始波形x(t)滞后的两个样本x(t-4)和x(t-8)存在较小的差异，即存在恒等式：x(t)＝x(t-4)＝x(t-8)(3)定义上述恒等式为标识线，通过分析吸引子到标识线的距离来刻画吸引子之间的差异性。第一轮廓：吸引子到圆心的距离表示为其中，二维空间下吸引子三维空间下吸引子第二轮廓：吸引子到标识线的距离表示为第三轮廓：吸引子连续轨迹总长度表示为S：其中，上述所定义与S三种物理量即是所提取的非线性几何特征。所述的S200包括以下步骤，S201～将提取的情感脑电特征作为输入数据，利用对比散度算法计算RBM网络参数，如下式(7)所示，(w,a,b)＝SCD(x0,m,η,T)(7)上式中，SCD代表CD算法，x0是训练数据中的一个样本，m是隐藏层神经元的个数，η是学习率，T是训练的最大迭代次数，将可见层和隐藏层的连接权重记为W，a,b分别为可见单元和隐含单元的偏置，获得隐藏层的输出如下(8)式所示,fRBM为激活函数，h＝fRBM(v|W,b)(8)S202～设置多层RBM，将上一层的RBM输出作为下层RBM的输入，并在每个RBM中加入表示类别的神经元，底层输出节点数为情感类别数，获得深层RBM的网络参数。S203～重复步骤S201和S202，得到保留原始数据信息量最大的维数所对应的隐层节点数，获得最优的深度RBM网络。所述的S300具体过程为：基于PAD三维情感模型和中文版PAD情绪量表评估基本情感的PAD值，构建三维情感空间P，A和D作为情感空间的坐标轴，利用空间距离来映射类之间的关系，并最终确定情感之间的权重，两个情绪在三维PAD模型中的空间距离可以用如下(9)式计算得到：其中d12表示点1和点2之间的空间距离，即(x1,y1,z1)和(x2,y2,z2)分别代表点1和点2在三维PAD情绪空间中的坐标，通过计算任何两种情绪之间的空间距离的倒数来获得类之间的关系。所述的S400具体过程为，将深度RBM网络的底层识别网络定义为关联认知网络，即通过对比散度算法获得的底层RBM的网络参数作为关联认知网络的输入与输出之间的权值，将通过维度量化值的空间距离表征情感状态之间的权值作为关联认知网络的输出与输出之间的权值。假设Fi(i＝1,2,...,n)表示情感语音特本文档来自技高网...

【技术保护点】
1.一种基于情感维度下的深度情感交互模型的构建方法，其特征在于：包括以下步骤，S100～针对实验室现有的情感脑电数据库提取情感特征；S200～构建最优深度RBM网络，将情感特征作为深度RBM网络的输入，获得底层情感特征与情感状态之间的权值；S300～通过维度量化值的空间距离表征情感状态之间的关联程度，得到情感状态之间的权值；S400～构建关联认知网络，将深度RBM网络的底层情感特征与情感状态之间的权值作为关联认知网络中输入与输出之间的权值，将情感状态之间的权值作为关联认知网络输出与输出之间的权值；S500～通过最优深度RBM网络与关联认知网络的结合构建深度情感交互模型，实现连续情感的准确判别。

【技术特征摘要】
1.一种基于情感维度下的深度情感交互模型的构建方法，其特征在于：包括以下步骤，S100～针对实验室现有的情感脑电数据库提取情感特征；S200～构建最优深度RBM网络，将情感特征作为深度RBM网络的输入，获得底层情感特征与情感状态之间的权值；S300～通过维度量化值的空间距离表征情感状态之间的关联程度，得到情感状态之间的权值；S400～构建关联认知网络，将深度RBM网络的底层情感特征与情感状态之间的权值作为关联认知网络中输入与输出之间的权值，将情感状态之间的权值作为关联认知网络输出与输出之间的权值；S500～通过最优深度RBM网络与关联认知网络的结合构建深度情感交互模型，实现连续情感的准确判别。2.根据权利要求1所述的基于情感维度下的深度情感交互模型的构建方法，其特征在于：所述S100具体过程为：数据库采用情感脑电数据库，选取FC1、FC2、FC3、FC4、C1、C2、C3、C4、CP1、CP2、CP3、CP4位置处的电极，即共12导的脑电数据进行分析，提取表征脑电信号能量特性的传统特征能量、功率谱以及功率谱熵，表征脑电信号非线性属性特性的非线性属性特征近似熵、Hurst指数、Lyapunov指数以及刻画脑电信号几何结构的非线性几何特征，即脑电信号基于轨迹的描述符轮廓。3.根据权利要求2所述的基于情感维度下的深度情感交互模型的构建方法，其特征在于：所述的非线性几何特征通过相空间重构将一维脑电信号映射到高维空间后，在高维空间里分析脑电信号，提取不同情感状态下相空间重构的几何特征：三种基于轨迹的描述符轮廓；在相空间重构中，选取嵌入维数m＝3，时间延迟τ＝4，当原始波形x(t)滞后的两个样本x(t-4)和x(t-8)存在较小的差异，即存在恒等式：x(t)＝x(t-4)＝x(t-8)(1)定义上述恒等式为标识线，通过分析吸引子到标识线的距离来刻画吸引子之间的差异性；第一轮廓：吸引子到圆心的距离表示为其中，二维空间下吸引子三维空间下吸引子第二轮廓：吸引子到标识线的距离表示为第三轮廓：吸引子连续轨迹总长度表示为S：其中，上述所定义与S三种物理量是所提取的非线性几何特征。4.根据权利要求3所述的基于情感维度下的深度情感交互模型的构建方法，其特征在于：所述的S200包括以下步骤，S201～将提取的情感脑电特征作为输入数据，利用对比散度算法计算RBM网络参数，如下式(5)所示，(w,a,b)＝SCD(x0,m,η,T)(5)上式中，SCD代表CD算法，x0是训练数据中的一个样本，m是隐藏层神经元...

【专利技术属性】
技术研发人员：孙颖，张雪英，马江河，王少玄，贾海蓉，段淑斐，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14