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