基于非线性特征的情绪识别方法及系统技术方案

本发明专利技术涉及用情绪识别方法技术领域，具体为基于非线性特征的情绪识别方法及系统，该方法包括以下步骤：语音采集步骤，采集用户说话的语音；特征提取步骤，对用户的语音进行处理分析，提取匹配特征；所述匹配特征包括音频特征、非线性特征以及语义特征；模型匹配步骤，根据特征提取步骤提取到的匹配特征与预设的情绪模型进行匹配，找出匹配程度最高的情绪模型作为情绪识别结果。本发明专利技术提供的基于非线性特征的情绪识别方法及系统，能够根据用于的语音输入从多角度、多方面对用户情绪进行全面准确的分析识别。

Emotion Recognition Method and System Based on Nonlinear Characteristics

The invention relates to the technical field of emotional recognition method, in particular to an emotional recognition method and system based on non-linear features. The method comprises the following steps: voice acquisition step, acquisition of voice of user's speech; feature extraction step, processing and analysis of user's voice, extraction of matching features; and the matching feature package. It includes audio feature, non-linear feature and semantic feature; model matching step, matching the matching feature extracted by feature extraction step with the presupposed emotional model, and finding the most matching emotional model as the result of emotional recognition. The method and system of emotional recognition based on non-linear characteristics provided by the invention can comprehensively and accurately analyze and recognize user emotions from various angles and aspects according to the voice input used.

【技术实现步骤摘要】
基于非线性特征的情绪识别方法及系统
本专利技术涉及情绪识别方法
，具体为基于非线性特征的情绪识别方法及系统。
技术介绍
情绪是一种综合了人的感觉、思想和行为的状态，它包括人对外界或自身刺激的心理反应，也包括伴随这种心理反应的生理反应。人类的情绪与身心健康密切关系，如果人类长期处于焦虑、忧愁、悲伤、恼怒、压抑等状态下，可能导致神经分裂、高血压、心脏病、溃疡、胃病和癌症等多种疾病，一般称为心因性疾病，因此掌握一个人，特别是老人的情绪情况，对于掌握身心状况非常有利。情绪识别分析，对于老人，特别是失能和空巢老人，具有很大的价值。随着中国社会老龄化的加剧，以及大城市对年轻人就业、教育等方面的吸引力，空巢老人这一特殊群体势必会成为社会的普遍现象。但这一群体虽然正逐渐受到社会的关注，却依然缺乏有效的方式来为空巢老人提供及时的健康监管以及心理慰藉。通过情绪分析，能够实时反映出老人的情绪状况，并及时反馈给相关医务人员和子女，让他们更能了解父母的情绪，从而增加对老人的关心和及时的治疗。而在这一领域，我国市场上还没有相应成熟完善的产品和服务。因此，如何提供一种更加客观、准确的老年人的情绪识别方法和系统，成为本领域亟需解决的问题。
技术实现思路
本专利技术意在提供基于非线性特征的情绪识别方法及系统，能够根据用于的语音输入从多角度、多方面对用户情绪进行全面准确的分析识别。为了解决上述技术问题，本专利提供如下技术方案：基于非线性特征的情绪识别方法，包括以下步骤：语音采集步骤，采集用户说话的语音；特征提取步骤，对用户的语音进行处理分析，提取匹配特征；所述匹配特征包括音频特征、非线性特征以及语义特征；模型匹配步骤，根据特征提取步骤提取到的匹配特征与预设的情绪模型进行匹配，找出匹配程度最高的情绪模型作为情绪识别结果。本专利技术技术方案中，匹配特征包括音频特征、非线性特征以及语义特征三种，对音频数据进行综合性的分析，音频特征为传统的线性特征，通过其可以分析较为平稳的语音信号，而针对于不平稳的、变化较大的语音信号，通过非线性特征可以解决非特定人连续语音分析、高质量低速率语音编码等传统音频特征所不能解决的问题，弥补音频特征的不足，而通过语义特征分析用户讲话的具体内容，从宏观的角度分析用户的情绪状态，有助于进一步精准的判断用户的情绪状态。本申请的技术方案中，通过结合这三个方面的特征全面、准确的识别用户的情绪。进一步，所述特征提取步骤包括：步骤一：根据采集到的语音计算非线性特征；步骤二：将采集到的语音分割成多个片段；步骤三：计算每一个片段的音频特征；步骤四：对采集到的语音进行语义识别；步骤五：从识别到的语义内容中提取语义特征。音频特征的提取基于线性系统理论,需要将语音信号分割为一些短段再加以处理，以保证每一个片段视为确定的平稳信号，进而在经过处理以后计算生成音频特征。进一步，所述语义特征包括关键词特征，所述特征提取步骤的步骤五具体包括：关键词提取步骤，根据预设的关键词库提取语义内容中的所有关键词以及出现的频率。通过提取关键词来分析用户的情绪，例如“生气”、“高兴”、“难受”等，通过统计关键词出现的频率可以进一步确认用户是否是偶然说到某个关键词，减小偶然因素带来的误差。进一步，情绪模型中包含每一个匹配特征的权重，所述模型匹配步骤包括：步骤一：对于每一个预设的情绪模型，根据各个匹配特征的权重值计算每个匹配特征的得分；步骤二：将匹配特征的得分进行求和，得到匹配程度得分；步骤三：根据匹配程度得分对每个情绪模型进行比较，选取匹配程度得分最高的情绪模型所对应的情绪作为情绪识别结果。每一个情绪模型有不同的权重分配比例，通过加权求和计算匹配程度得分，生成当前语音相对于每一个情绪模型的匹配程度得分，根据该分值即可得出情绪识别结果。进一步，所述音频特征包括音高、能量、共振峰、过零率、Teager能量运算子以及梅尔倒频谱系数。这些音频特征是音频分析过程中最为重要的一些特征，通过这些特征可以实现对平稳语音的识别、分析和处理。进一步，所述非线性特征包括赫斯特指数、曲率指标、香农熵、Lempel-Ziv复杂度、交互信息、关联维度以及李亚普诺夫指数。通过这些参数可以对音频的噪音、波动等进行处理，提高情绪分析准确性。进一步，本申请中还公开了一种使用了上述方法的基于非线性特征的情绪识别系统，该系统包括：语音采集模块，用于采集用户说话的语音；特征提取模块，用于从采集到的语音中提取匹配特征；模型匹配模块，用于根据匹配特征与预设的情绪模型进行匹配，筛选出匹配程度最高的情绪模型作为情绪识别结果；其中特征提取模块包括：非线性特征提取子模块，用于从采集到的语音中提取非线性特征；音频特征提取子模块，用于从采集到的语音中提取音频特征；语义特征提取子模块，用于对采集到的语音进行语义识别并提取语义特征。进一步，所述音频特征提取子模块包括音频切割单元和音频特征计算单元，所述音频切割单元用于对采集到的语音切割成为多个片段，所述音频特征计算单元用于计算每个片段音频特征。进一步，所述语义特征提取子模块包括语义识别单元、关键词提取单元和频率记录单元，所述语音识别单元用于对采集到的语音进行语义识别，所述关键词提取单元用于根据预设的关键词库从语义内容中提取关键词，所述频率记录单元用于记录每个关键词出现的次数。进一步，所述模型匹配模块包括模型存储子模块、匹配程度计算子模块以及匹配程度比较子模块，所述模型存储子模块用于存储情绪模型，所述匹配程度计算子模块用于根据情绪模型计算各个匹配特征的得分并计算匹配程度得分，所述匹配程度比较子模块用于对各个情绪模型的匹配程度得分进行比较，筛选出匹配程度得分最高的情绪模型并以该情绪模型对应的情绪作为识别结果。附图说明图1为本专利技术基于非线性特征的情绪识别系统实施例中的逻辑框图。具体实施方式下面通过具体实施方式进一步详细说明：本实施例的基于非线性特征的情绪识别方法基于非线性特征的情绪识别方法，包括以下步骤：语音采集步骤，采集用户说话的语音。本实施例中通过陪伴老人的智能终端，在获得老人授权的情况下采集老人与其他老人交谈的对话语音以及智能终端与老人对话的语音。特征提取步骤，对用户的语音进行处理分析，提取匹配特征；匹配特征包括音频特征、非线性特征以及语义特征。具体的，特征提取步骤包括：步骤一：根据采集到的语音计算非线性特征；步骤二：将采集到的语音分割成多个片段；步骤三：计算每一个片段的音频特征；步骤四：对采集到的语音进行语义识别；步骤五：从识别到的语义内容中提取语义特征。音频特征包括音高、能量、共振峰、过零率、Teager能量运算子以及梅尔倒频谱系数。非线性特征包括赫斯特指数、曲率指标、香农熵、Lempel-Ziv复杂度、交互信息、关联维度以及李亚普诺夫指数。通过这些参数可以对音频的噪音、波动等进行处理，提高情绪分析准确性。语义特征包括关键词特征。特征提取步骤的步骤五包括：关键词提取步骤，根据预设的关键词库提取语义内容中的所有关键词以及出现的频率。音频特征的提取分析基于线性系统理论,将语音信号分割为一些短段再加以处理，可以保证每一个片段视为确定的平稳信号，进而在经过处理以后计算生成音频特征，同时将一段语音改变为多个片段进行更微观的分析和处理，可以进一步增加处理精度。音高、能量、共振峰、过本文档来自技高网...

【技术保护点】
1.基于非线性特征的情绪识别方法，其特征在于：包括以下步骤：语音采集步骤，采集用户说话的语音；特征提取步骤，对用户的语音进行处理分析，提取匹配特征；所述匹配特征包括音频特征、非线性特征以及语义特征；模型匹配步骤，根据特征提取步骤提取到的匹配特征与预设的情绪模型进行匹配，找出匹配程度最高的情绪模型作为情绪识别结果。

【技术特征摘要】
1.基于非线性特征的情绪识别方法，其特征在于：包括以下步骤：语音采集步骤，采集用户说话的语音；特征提取步骤，对用户的语音进行处理分析，提取匹配特征；所述匹配特征包括音频特征、非线性特征以及语义特征；模型匹配步骤，根据特征提取步骤提取到的匹配特征与预设的情绪模型进行匹配，找出匹配程度最高的情绪模型作为情绪识别结果。2.根据权利要求1所述的基于非线性特征的情绪识别方法，其特征在于：所述特征提取步骤包括：步骤一：根据采集到的语音计算非线性特征；步骤二：将采集到的语音分割成多个片段；步骤三：计算每一个片段的音频特征；步骤四：对采集到的语音进行语义识别；步骤五：从识别到的语义内容中提取语义特征。3.根据权利要求2所述的基于非线性特征的情绪识别方法，其特征在于：所述语义特征包括关键词特征，所述特征提取步骤的步骤五具体包括：关键词提取步骤，根据预设的关键词库提取语义内容中的所有关键词以及出现的频率。4.根据权利要求3所述的基于非线性特征的情绪识别方法，其特征在于：情绪模型中包含每一个匹配特征的权重，所述模型匹配步骤包括：步骤一：对于每一个预设的情绪模型，根据各个匹配特征的权重值计算每个匹配特征的得分；步骤二：将匹配特征的得分进行求和，得到匹配程度得分；步骤三：根据匹配程度得分对每个情绪模型进行比较，选取匹配程度得分最高的情绪模型所对应的情绪作为情绪识别结果。5.根据权利要求4所述的基于非线性特征的情绪识别方法，其特征在于：所述音频特征包括音高、能量、共振峰、过零率、Teager能量运算子以及梅尔倒频谱系数。6.根据权利要求5所述的基于非线性特征的情绪识别方法，其特征在于：所述非线性特征包括赫斯特指数、曲率指标、香农熵、Lempel-Ziv...

【专利技术属性】
技术研发人员：潘晓明，
申请(专利权)人：重庆柚瓣家科技有限公司，
类型：发明
国别省市：重庆,50