【技术实现步骤摘要】
基于移动智能终端传感器设备的情绪识别方法及系统
本专利技术属于情绪识别
，涉及一种移动智能终端设备下的情绪识别方法，可用于情绪识别、心理诊疗等领域。
技术介绍
目前情绪识别已经发展地十分完善，但是大多应用分布在语义识别、语音识别、面部表情识别等方面，在移动群体感知技术方面的应用还十分匮乏。由于互联网的不断发展再加上能够搭载各类传感器的移动智能终端设备的广泛普及，移动感知技术正在变得越来越成熟。它通过人们随身携带的移动智能终端设备上搭载的传感器来获取人及周边的环境信息，并且将相关信息通过网络上传至服务器后台，将信息数据在服务端进行分析处理，从而向用户提供可靠便捷的服务。因此总的来说，移动感知技术让所有用户都能借助身边的便携式移动设备感知周围信息，并且借此为人类提供更好的服务。基于移动智能终端设备的移动感知技术的主要优势如下：移动智能终端设备基本上都搭载了各式各样的传感器，如加速度、方向、光线、温度、GPS等等，与其他以往的旧有设备相比，如PC电脑、服务器等等，移动智能终端设备具有其天生的无可比拟的优势：即...
【技术保护点】
1.一种基于移动智能终端传感器设备的情绪识别方法，其特征在于，包括：/nS1.定义n个情绪类别，通过移动智能终端上的各传感器采集不同情绪类别下的原始传感器数据，作为训练样本，并标注各训练样本对应的真实情绪类别；/nS2.对各传感器采集到的原始传感器数据分别进行预处理；从预处理后的各传感器数据中分别提取特征，得到不同情绪类别下的各训练样本所对应的特征向量，构建训练集；/nS3.基于训练集得到最终的情绪识别分类器；/nS4.利用S3得到的情绪识别分类器对移动智能终端上的各传感器实时采集的原始传感器数据进行预测，获得情绪预测结果，即当前所输入传感器数据被分类为概率最大的情绪类别。/n
【技术特征摘要】
1.一种基于移动智能终端传感器设备的情绪识别方法，其特征在于，包括：
S1.定义n个情绪类别，通过移动智能终端上的各传感器采集不同情绪类别下的原始传感器数据，作为训练样本，并标注各训练样本对应的真实情绪类别；
S2.对各传感器采集到的原始传感器数据分别进行预处理；从预处理后的各传感器数据中分别提取特征，得到不同情绪类别下的各训练样本所对应的特征向量，构建训练集；
S3.基于训练集得到最终的情绪识别分类器；
S4.利用S3得到的情绪识别分类器对移动智能终端上的各传感器实时采集的原始传感器数据进行预测，获得情绪预测结果，即当前所输入传感器数据被分类为概率最大的情绪类别。
2.根据权利要求1所述的基于移动智能终端传感器设备的情绪识别方法，其特征在于，移动智能终端为智能手机、平板或智能手表；移动智能终端上搭载的传感器包括光传感器、GPS传感器、重力传感器、加速度传感器、方向传感器、距离传感器、温度传感器、光线传感器、磁传感器、声传感器、触摸传感器或/和网络传感器。
3.根据权利要求1所述的基于移动智能终端传感器设备的情绪识别方法，其特征在于，S2中对各传感器采集到的原始传感器数据分别进行预处理包括：对各传感器采集到的原始传感器数据分别进行过滤非法数据以及中值滤波操作。
4.根据权利要求1所述的基于移动智能终端传感器设备的情绪识别方法，其特征在于，S2中各传感器包括运动类传感器、光传感器、GPS传感器或/和网络传感器；
对于各种传感器数据分别提取特征的方法如下：
加速度传感器以及陀螺仪属于运动类传感器；对于运动类传感器，其数据都分为x、y、z三个维度，对应现实三维空间，将其绘制成曲线波形图，分别统计其波峰、波谷值作为其波动剧烈值，统计波峰、波谷个数作为波动次数，统计波峰、波谷所占时间作为波动时间，以此得到运动类传感器数据对应的特征向量；
对于光传感器，对光传感器数据提取出以下特征作为对应的特征向量：根据光传感器数据提取不同时刻移动智能终端的使用环境信息，分为移动智能终端未被使用、移动智能终端在室内使用、移动智能终端在户外使用；
对于GPS传感器，提取出移动智能终端所处位置的信息熵特征，信息熵公式为其中，pi用来表示移动智能终端在第i个位置的次数占所有历史记录中的比例；信息熵H(u)的定义为信息出现的概率，即信息有序化的度量；
对于网络传感器，提取移动智能终端的网速状况，提取出网速是否波动较大、网速基本在过去一段时间内的网络传输速度均值以上或者以下的情况以及网络信号强度三个特征。
5.根据权利要求1所述的基于移动智能终端传感器设备的情绪识别方法，其特征在于，S3的实现方法如下：
S3.1，选定N个分类器算法，用于构建N个基分类器，此N个基分类器构成分类器备用候选池；
S3.2，从基分类器备用候选池中选出K个基分类器；
S3.3，将选择出的K个基分类器，采用集成策略进行融合，融合后得到的即为最终的情绪识别分类器。
6.根据权利要求5所述的基于移动智能终端传感器设备的情绪识别方法，其特征在于，S3.2的实现方法是：
将K-means聚类算法和轮廓系数结合，确定最优的基分类器的数量K；
测定基分类器备用候选池中任意两个基分类器di和dj之间的差异性度量dij；
在基分类器备用候选池中选出K个平均性差异性度量θi最大的基分类器，其中θi表示基分类器di与基分类器备用候选池中所有基分类器差异性值总和的平均值。
7.根据权利要求6所述的基于移动智能终端传感器设备的情绪识别方法，其特征在于，S3.2中：将训练集中各训练样本对应的特征向量输入到基分类器备用候选池中的各基分类器中，输出经各基分类器预测的情绪类别，将各训练样本对应的预测情绪类别与其真实情绪类别对比，判断预测是否正确；
基分类器备用候选池中任意两个基分类器di和dj之间的差异性度量dij的计算方法如下：
其中，A00表示基分类器di和dj均作出错误预测的样本数量占训练集总样本数量的比例；A01表示基分类器di预测错误然而dj预测正确的样本数量占训练集总样本数量的比例；A10表示基分类器di预测正确然而dj预测错误的样本数量占...
【专利技术属性】
技术研发人员：李修建，董洛兵，衣文军，何施俊，朱炬波，朱梦均，刘吉英，董朝华，
申请(专利权)人：中国人民解放军国防科技大学，西安电子科技大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。