一种情绪状态检测方法、设备及终端技术

本发明专利技术公开了一种情绪状态检测方法、设备及终端，解决了现有技术中，情绪状态检测的方法主要是通过图像处理和识别技术进行判断精确度不高的问题，该方法包括：获取用户的连续脑电数据并提取频谱能量特征数据；将所述频谱能量特征数据，输入基于深度学习构建的预设情绪状态检测模型，输出所述脑电数据对应的情绪状态。本发明专利技术实施例使用脑电数据作为信号，利用深度学习算法检测情绪状态，提高情绪检测的准确度，使得适用人群更加广泛。

An Emotional State Detection Method, Equipment and Terminal

【技术实现步骤摘要】
一种情绪状态检测方法、设备及终端
本专利技术涉及信号处理
，尤其涉及一种情绪状态检测方法、设备及终端。
技术介绍
情绪是个体对内在和外在事物的主观体验，体现在生理、表情以及体验方面，是个体适应生存和社会生活的重要工具。现代生活节奏越来越快，越来越多的人承受着较大的生活压力，随之而来的是人们的情绪波动较大，经常会出现心情压抑、情绪焦虑等现象，在发生时多数人并不能意识到并进行控制，久而久之这些情绪就会严重影响到人们的日常生活、工作和学习。现有技术中，情绪识别的方法主要是利用摄像机获取用户图像，通过图像处理和识别技术进行判断，具体来说：基于摄像机等摄录设备的图像处理方法，也即，通过摄像机采集的视频，逐帧进行图像处理，寻找表示情绪的有效特征，进而实现情绪识别。但是，该方法的缺点较为明显：1)受光照影响严重，戴眼镜与否，眼睛尺寸个体差异，个体反应和习惯差异大；2)摄像机采集的是用户的表情和动作，这些是情绪的外在表现形式，容易受到用户的隐藏和掩饰。
技术实现思路
本专利技术提供一种情绪状态检测方法、设备及终端，解决了现有技术中，情绪状态检测的方法主要是通过图像处理和识别技术进行判断精确度不高的问题。为了解决上述的技术问题，本专利技术提供了一种情绪状态检测方法、设备及终端，具体包括：依照本专利技术第一方面，提供一种情绪状态检测方法，该方法包括：获取用户的连续脑电数据并提取频谱能量特征数据；将所述频谱能量特征数据，输入基于深度学习构建的预设情绪状态检测模型，输出所述脑电数据对应的情绪状态。在一种可能的实现方式中，将获取到的连续脑电波数据进行数字带通滤波，并按照预设长度大小截取成多个数据子段，所述多个数据子段中任意两个数据子段之间没有重叠；对每一个数据子段进行傅里叶变换，计算每个数据子段对应的频谱能量特征。在一种可能的实现方式中，对每一个数据子段进行傅里叶变换得到频域数据；计算所述频域数据中范围为1-3Hz的频段δ、范围为4-7Hz的频段θ、范围为8-13Hz的频段α、范围为14－30Hz的频段β、范围为31－80Hz的频段γ的频谱能量特征。在一种可能的实现方式中，基于深度学习构建预设情绪状态检测模型，包括：获取包括多个训练样本的训练样本集及包括多个测试样本的测试样本集，所述每个训练样本/测试样本包括频谱能量特征及所述频谱能量特征对应的情绪状态；通过随机化深度学习网络模型的模型参数得到初始的情绪状态检测模型；触发模型训练时，利用所述训练样本集中的预设数量的训练样本，对当前情绪状态检测模型进行至少一次训练，每次训练结束后，利用所述测试样本集中的测试样本对训练后的情绪状态模型进行测试，训练结束后得到预设情绪状态检测模型。在一种可能的实现方式中，每次训练结束后，确定测试结果不满足预设精度要求，还包括：利用当前的情绪状态检测模型筛选所述训练样本集的样本数据，将筛选后的训练样本集作为新的训练样本集，并重新触发模型训练。在一种可能的实现方式中，通过随机化深度学习网络模型的模型参数得到至少一个初始的情绪状态检测模型；其中，触发模型训练时，利用所述训练样本集中的预设数量的训练样本，对当前至少一个情绪状态检测模型分别进行至少一次训练，每次训练结束后，利用所述测试样本集中的测试样本对训练后的至少一个情绪状态检测模型进行测试，训练结束后，确定分类精确度最高的一个当前情绪状态检测模型为预设情绪状态检测模型。在一种可能的实现方式中，获取用户的不同情绪类型的连续脑电数据；将获取到每个情绪类型的连续脑电波数据进行数字带通滤波，并按照预设长度大小截取成多个数据子段，所述多个数据子段中任意两个数据子段之间没有重叠；对每一个数据子段进行傅里叶变换，计算每个数据子段对应的频谱能量特征；从不同情绪类型中对应交叉提取多个数据子段对应的频谱能量特征，得到训练样本集和测试样本集。依照本专利技术第二方面，提供一种进行情绪状态检测的穿戴设备，所述穿戴设备包括脑电电极、脑电采集电路、第一信号传输模块及穿戴装置，所述脑电电极、所述脑电采集电路与所述信号传输模块均固定在穿戴装置上，其中：所述脑电电极用于采集用户的连续脑电信号；所述脑电采集电路用于将所述连续脑电信号放大，并转化为数字化的连续脑电数据；所述第一信号传输模块用于将所述连续的脑电数据进行传输。在一种可能的实现方式中，所述脑电采集电路与所述脑电电极使用导线直接连接；或所述脑电采集电路与所述脑电电极使用接地屏蔽线连接；或所述脑电采集电路与所述脑电电极使用主动屏蔽的屏蔽线连接；或所述脑电采集电路与所述脑电电极使用主动电路的方式连接。在一种可能的实现方式中，所述设备还包括处理模块，所述处理模块用于：获取用户的连续脑电数据并提取频谱能量特征数据；将所述频谱能量特征数据，输入基于深度学习构建的预设情绪状态检测模型，输出所述脑电数据对应的情绪状态。依照本专利技术第三方面，提供一种进行情绪状态检测的信号处理终端，所述终端包括第二信号传输模块及信号处理模块：所述第二信号传输模块，用于接收穿戴设备发送的连续脑电数据，并传给所述信号处理模块；所述信号处理模块，用于将所述频谱能量特征数据，输入基于深度学习构建的预设情绪状态检测模型，输出所述脑电数据对应的情绪状态。依照本专利技术第四方面，提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，该计算机程序被执行时实现上述的方法。本专利技术提供的一种情绪状态检测方法、设备及终端与现有技术相比，具有如下优点和有益效果：本专利技术实施例通过使用脑电数据作为信号，利用深度学习算法检测情绪状态，提高情绪检测的准确度，使得适用人群更加广泛。附图说明图1为实施例一提供的一种情绪状态检测方法的流程示意图；图2为实施例二提供的一种进行情绪状态检测的穿戴设备示意图；图3为实施例二提供的一种进行情绪状态检测的信号处理终端示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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它实施例，都属于本专利技术保护的范围。下面对文中出现的一些词语进行解释：本专利技术实施例所指的“穿戴设备”是指能够穿戴在头部的设备，可以是脑电帽、耳机或者眼镜等；本专利技术实施例所指的“信号处理终端”可以是电脑或移动设备，如手机或者平板电脑。下面结合说明书附图对本专利技术实施例做进一步详细描述。实施例一本专利技术提供一种情绪状态检测方法，如图1所示，包括：步骤101，获取用户的连续脑电数据并提取频谱能量特征数据；步骤102，将所述频谱能量特征数据，输入基于深度学习构建的预设情绪状态检测模型，输出所述脑电数据对应的情绪状态。生物的器官、组织和细胞在生命活动过程中发生的电位和极性变化。它是生命活动过程中的一类物理、物理一化学变化，是正常生理活动的表现，也是生物活组织的一个基本特征。对脑来说，脑无时无刻不在产生脑电波。脑电波是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑电波是一些自发的有节律的神经电活动，其频率变动范围在每秒1～30次之间，可划分为五个波本文档来自技高网...

【技术保护点】
1.一种情绪状态检测方法，其特征在于，包括：获取用户的连续脑电数据并提取频谱能量特征数据；将所述频谱能量特征数据，输入基于深度学习构建的预设情绪状态检测模型，输出所述脑电数据对应的情绪状态。

【技术特征摘要】
1.一种情绪状态检测方法，其特征在于，包括：获取用户的连续脑电数据并提取频谱能量特征数据；将所述频谱能量特征数据，输入基于深度学习构建的预设情绪状态检测模型，输出所述脑电数据对应的情绪状态。2.根据权利要求1所述的方法，其特征在于，提取频谱能量特征数据，包括：将获取到的连续脑电波数据进行数字带通滤波，并按照预设长度大小截取成多个数据子段，所述多个数据子段中任意两个数据子段之间没有重叠；对每一个数据子段进行傅里叶变换，计算每个数据子段对应的频谱能量特征。3.根据权利要求2所述的方法，其特征在于，对每一个数据子段进行傅里叶变换，计算每个数据子段对应的频谱能量特征，包括：对每一个数据子段进行傅里叶变换得到频域数据；计算所述频域数据中范围为1-3Hz的频段δ、范围为4-7Hz的频段θ、范围为8-13Hz的频段α、范围为14－30Hz的频段β、范围为31－80Hz的频段γ的频谱能量特征。4.根据权利要求1所述的方法，其特征在于，基于深度学习构建预设情绪状态检测模型，包括：获取包括多个训练样本的训练样本集及包括多个测试样本的测试样本集，所述每个训练样本/测试样本包括频谱能量特征及所述频谱能量特征对应的情绪状态；通过随机化深度学习网络模型的模型参数得到初始的情绪状态检测模型；触发模型训练时，利用所述训练样本集中的预设数量的训练样本，对当前情绪状态检测模型进行至少一次训练，每次训练结束后，利用所述测试样本集中的测试样本对训练后的情绪状态模型进行测试，训练结束后得到预设情绪状态检测模型。5.根据权利要求4所述的方法，其特征在于，每次训练结束后，确定测试结果不满足预设精度要求，还包括：利用当前的情绪状态检测模型筛选所述训练样本集的样本数据，将筛选后的训练样本集作为新的训练样本集，并重新触发模型训练。6.根据权利要求4所述的方法，其特征在于，通过随机化深度学习网络模型的模型参数得到初始的情绪状态检测模型，包括：通过随机化深度学习网络模型的模型参数得到至少一个初始的情绪状态检测模型；其中，触发模型训练时，利用所述训练样本集中的预设数量的训练样本，对当前至少一个情绪状态检测模型分别进行至少一次训练，每次训练结束后，利用所述测试样本集中的测试样本对...

【专利技术属性】
技术研发人员：陈海波，
申请(专利权)人：深兰科技上海有限公司，
类型：发明
国别省市：上海,31