一种基于生理信号的异常情绪检测方法技术

本发明专利技术公开了一种基于生理信号的异常情绪检测方法，属于人工智能技术领域，包括以下步骤：步骤1：使用堆叠操作将一维生理信号增维至N维。步骤2：将经堆叠操作处理后的多维数据输入变分自编码器(VAE)，得到与输入数据对应的重构数据。步骤3：由输入数据和与之对应的重构数据计算出重构概率和白化距离，将重构概率和白化距离的加权和作为异常分数，设立异常阈值，异常分数超过阈值的数据即为异常。异常分数超过阈值的数据即为异常。异常分数超过阈值的数据即为异常。

【技术实现步骤摘要】
一种基于生理信号的异常情绪检测方法


[0001]本专利技术属于人工智能
，具体涉及一种基于生理信号的异常情绪检测方法。

技术介绍

[0002]情绪状态不仅在人们的日常生活和工作中起着重要的作用，还极大程度的影响着人体健康。负面情绪的体验不可避免，但长期的不良情绪，如压力、抑郁，会影响身体的激素分泌，降低人体的抵抗力和免疫力，甚至增高患心血管疾病的风险。考虑到负面情绪带来的严重损失，因此对异常情绪进行检测并给予关注是很有必要的。
[0003]近年来，随着人工智能和传感器等技术的发展，情绪识别受到了广泛关注，并被广泛应用于智能医疗、人机交互、机器人、健康监测和病患的康复辅助等领域。机器学习和深度学习的最新进展已经证明生理信号是情感检测的可靠信息源。与常规的时间序列异常检测问题相比，基于生理信号的异常情绪检测问题有着其独有的特点：1.单一的数据点不具有数据特征，而是点组成的波形蕴含着情绪特征；2.正常模式和异常模式的多样性；3.存在明显的个体间异质性，使得不同个体正常波形之间的差异可能大于正常与异常波形之间的差异。另外，大多数基于生理信号的情绪检测方案都是有监督的方法，使其应用有很大局限。因此，研究一种可以解决上述特点的无监督的异常情绪检测方法是很有必要的。

技术实现思路

[0004]有鉴于此，本专利技术针对现有技术中存在的问题，提供了一种基于生理信号的异常情绪检测方法，该方法基于非入侵式的可穿戴设备，采集人体的生理信号来进行异常情绪识别，可穿戴设备可以长期监测个体的情绪状态，当个体长期处于不良情绪时，将发出提醒用于健康状态监测或辅助治疗。
[0005]为实现上述目的，本专利技术采用的技术方案如下：
[0006]一种基于生理信号的异常情绪检测方法，包括如下步骤：
[0007]步骤1：使用堆叠操作将一维生理信号增维至N维，得到N维信号；
[0008]步骤2：将步骤1中经堆叠操作处理后的N维信号输入到变分自编码器(VAE)中，得到与输入的N维信号对应的重构数据；
[0009]步骤3：根据步骤1得到的N维信号和步骤2得到的与之对应的重构数据计算重构概率和白化距离，并将计算得到的重构概率和白化距离的加权和作为异常分数，当异常分数超过设定的阈值时，一维生理信号为异常。
[0010]所述的步骤1中，堆叠操作的方法具体为：
[0011]通过长度为T的窗口将一维生理信号x分割成多段子序列，表示为x
t
‑
T：t
＝{x
t
‑
T
，x
t
‑
T+1
，
…
，x
t
‑1}，其中t＝T，2T
…
，kT(kT＜n+1)，n为一维生理信号的长度，将分割成的子序列沿列方向堆叠，形成如下矩阵；
[0012][0013]在此基础上，以步长p在一维生理信号x上滑动窗口形成多个k
×
T的矩阵，从而实现一维时间序列的升维；
[0014]所述的步骤1中，为了减小切割时在切割点附近的跳变问题，在切割子序列时，即x
s
，T矩阵除第一行外的每一行的开头，重复长度q的数据点，形成如下多个矩阵：
[0015][0016][0017][0018][0019][0020][0021]最终，经过堆叠操作将一维时序信号x转换为维信号，其中N即为窗口滑动的次数，且kT
‑
(k
‑
1)q+Np≤n；
[0022]所述的步骤2中，变分自编码器由一个编码器和一个解码器组成，实现将N维信号表示为低维潜在表示z，再利用z重建原始N维信号输入；变分自编码器的编码器的输出数据所在的空间称之为潜在空间，在变分自编码器的编码器和解码器中都引入了2D卷积层，以实现多尺度周期特征提取，在变分自编码器的潜在空间上，使用高斯混合分布先验来代替传统的单高斯分布，假设高斯分布中有M个簇，M是一个预定义的超参数；是类别分布矩阵，Cat(π)为先验类别分布；
[0023]得到重构数据的方法为：
[0024]首先，输入的N维信号通过变分自编码器的编码器输出与输入的N维信号对应的M
组均值和标准差向量，M组均值和标准差向量即对应高斯分布中的M个簇，根据混合高斯模型中M个簇之间的分类先验分布选择一个分量c，c～Cat(π)，确定N维信号对应的潜在高斯分布进而，在高斯分布上采样F次，得到F个与N维信号对应的潜在向量，用f＝1，...，F表示第f个潜在向量，将采样得到的潜在向量输入解码器，得到相应的重构均值向量和重构标准差向量作为解码器的输出；
[0025]所述的步骤3中，将编码器输入的N维信号拟合到步骤2得到的重构均值向量和重构标准差向量的多元高斯分布上，对所有F个潜在向量对应的重构概率进行平均后，得到输入的N维信号的重构概率，如下式所示：
[0026][0027]所述的步骤3中，对于每个N维信号衡量与对应类别中心的距离，对所有F个潜在向量求平均，得到N维信号对应的白化距离，如下式所示：
[0028][0029]将得到的重构概率和白化距离的加权和作为异常分数，λ为加权系数，如下式所示：
[0030][0031]本专利技术与现有技术相比，其显著优点在于：
[0032]1、本专利技术提出一种堆叠操作可以增大模型的感受野，并使得2D卷积可以提取生理信号的时间依赖性。堆叠操作的思想不仅适用于本文的异常检测任务，也适用于其他时间序列任务。
[0033]2、本专利技术提出了一种新的用于异常情绪检测的框架。框架采用基于卷积神经网络(CNN)的变分自编码器(VAE)模型实现。在潜在空间上，我们使用高斯混合分布先验来代替传统的单高斯分布，从而更好的描述多类正常样本。我们采用白化距离作为异常分数，结合高斯混合模型学习到的先验信息，使模型在多维数据各维度间独立同分布条件下衡量样本的离群程度，从而产生更准确的检测结果。
[0034]3、本专利技术基于深度学习技术，无需任何专家先验知识，只需要提供模型训练所需数据，即可在线基于生理信号检测异常情绪。同时，本专利技术所述模型具有很好的普适性，无需采集个体的基线数据。
[0035]4、本专利技术公开了一种基于生理信号的异常情绪检测方法，属于人工智能
，包括以下步骤：步骤1：使用堆叠操作将一维生理信号增维至N维。步骤2：将经堆叠操作处理后的多维数据输入变分自编码器(VAE)，得到与输入数据对应的重构数据。步骤3：由输入数据和与之对应的重构数据计算出重构概率和白化距离，将重构概率和白化距离的加权
和作为异常分数，设立异常阈值，异常分数超过阈值的数据即为异常。本专利技术提出了一种用于异常情绪检测的框架。采用基于卷积神经网络(CNN)的变分自编码器模型实现。在潜在空间上，使用高斯混合分布先验来代替传统的单高斯分布，从而更好的描述多类正常样本。我们采用白化距离作为异常分数，结合高斯混合模型学习到的先验信息，使模型在多维数据各维度间独立同分布条本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生理信号的异常情绪检测方法，其特征在于包括如下步骤：步骤1：使用堆叠操作将一维生理信号增维至N维，得到N维信号；步骤2：将步骤1中经堆叠操作处理后的N维信号输入到变分自编码器中，得到与输入的N维信号对应的重构数据；步骤3：根据步骤1得到的N维信号和步骤2得到的与之对应的重构数据计算重构概率和白化距离，并将计算得到的重构概率和白化距离的加权和作为异常分数，当异常分数超过设定的阈值时，一维生理信号为异常。2.根据权利要求1所述的一种基于生理信号的异常情绪检测方法，其特征在于：所述的步骤1中，堆叠操作的方法具体为：第一步，通过长度为T的窗口将一维生理信号x分割成多段子序列，并将分割成的子序列沿列方向堆叠，得到矩阵x
s，T
；第二步，将第一步得到的矩阵x
s，T
以步长p在一维生理信号x上滑动窗口形成多个k
×
T矩阵；第三步，将第二步得到的多个k
×
T矩阵除第一行外的每一行的开头，重复长度q的数据点，完成将一维时序信号x转换为维信号的操作。3.根据权利要求2所述的一种基于生理信号的异常情绪检测方法，其特征在于：所述的将一维生理信号x分割成的多段子序列为：x
t
‑
T：t
＝{x
t
‑
T
，x
t
‑
T+1
，
…
，x
t
‑1}其中，t＝T，2T
…
，kT(kT＜n+1)，n为一维生理信号的长度。4.根据权利要求2或3所述的一种基于生理信号的异常情绪检测方法，其特征在于：所述的矩阵x
s，T
表示为：5.根据权利要求4所述的一种基于生理信号的异常情绪检测方法，其特征在于：所述的将x
s，T
矩阵除第一行外的每一行的开头重复长度q的数据点，形成的多个矩阵表示为：<...

【专利技术属性】
技术研发人员：邓方，朱佳琪，黄奕鹏，赵佳晨，郑豪，石翔，高峰，陈杰，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：