【技术实现步骤摘要】
本专利技术涉及人工智能及人机交互，尤其涉及一种运动条件下的用户情绪识别方法和装置。
技术介绍
1、情绪不仅是人类的各种内在的感觉和思想状态，也同样是各种外部刺激产生的心理和生理活动。在人机交互及许多相关领域内，正确识别情绪非常重要。同时，在情绪识别过程中，单一的生理信号通常不能包含情绪分类所需的全部信息，因此越来越多的研究人员致力于研究多模态生理信号融合的情绪识别分类算法。多模态生理信号融合可以利用不同生理信号之间的互补表征，以便于更加精确地进行情绪分类及识别，已成为当今情绪识别分类领域内的主要趋势。目前的运动条件下的用户情绪识别方法，使用了直接拼接和概率决策的方法进行特征融合，但由于不同生理信号之间的模式和特征之间异质性较高，直接进行特征融合非但无法提升识别准确率反而有可能造成融合后识别精度下降，加之直接融合造成不同模态生理信号中的信息使用不充分，因此降低了对情绪分类识别的能力。如何对不同生理信号进行充分融合和利用，提升情绪分类识别准确度，是当前需要解决的问题。
2、大脑的运动模式与情绪模式互相影响，导致在运动条件下的情绪状态难以被识别。不考虑运动条件的情绪识别模型难以在真实环境下取得较好的识别性能。单任务学习难以全面挖掘数据集中的信息，越来越多的研究人员致力于多任务学习的研究。多任务学习可以利用不同学习任务之间特点提升各自的识别能力，逐渐成为当前模式识别的主要趋势。
3、现有的情绪识别方法没有考虑情绪与动作行为的耦合效应，仅仅将情绪识别任务继续细分为子任务，忽略了动作行为与情绪状态之间关系，导致情绪识
技术实现思路
1、本专利技术所要解决的技术问题在于，提供一种运动条件下的用户情绪识别方法和装置，实现对不同生理信号进行充分融合和利用，提升情绪分类识别准确度。
2、本专利技术实施例的第一方面，公开了一种运动条件下的用户情绪识别方法，包括：
3、s1，获取用户脑电信号集；所述用户脑电信号集，包括若干个脑电信号和对应的标签信息；所述标签信息，包括情绪标签和动作行为标签；
4、s2,对所述用户脑电信号集进行预处理和标签组合处理，得到用户脑电训练信号集；
5、s3,利用所述用户脑电训练信号集，对用户情绪分类模型进行训练处理，得到训练完毕的用户情绪分类模型；
6、s4，采集得到待识别用户脑电信号；利用所述训练完毕的用户情绪分类模型，对所述待识别用户脑电信号进行处理，得到用户情绪分类结果；所述用户情绪分类结果，用于表示用户在运动条件下的情绪类型。
7、所述对所述用户脑电信号集进行预处理和标签组合处理，得到用户脑电训练信号集，包括：
8、s21，对所述用户脑电信号集进行预处理，得到预处理后的用户脑电信号集；
9、s22，对所述预处理后的用户脑电信号集进行标签组合处理，得到用户脑电训练信号集。
10、所述对所述用户脑电信号集进行预处理，得到预处理后的用户脑电信号集，包括：
11、s211，对所述用户脑电信号集中的每个脑电信号，进行数据清理处理，得到对应的清洗信号；
12、s212，对每个清洗信号，进行带通滤波处理，得到对应的规约信号；
13、s213，对每个规约信号进行归一化处理，得到预处理后的脑电信号；
14、s214，对所有预处理后的脑电信号和对应的标签信息进行合并处理，得到预处理后的用户脑电信号集。
15、所述对所述预处理后的用户脑电信号集进行标签组合处理，得到用户脑电训练信号集，包括：
16、s221，提取得到所述预处理后的用户脑电信号集中的具有相同动作行为标签同时具有不同情绪标签的脑电信号；利用所有提取得到的脑电信号和对应标签信息，构建得到第一脑电信号子集；
17、s222，提取得到所述预处理后的用户脑电信号集中的具有相同情绪标签同时具有不同动作行为标签的脑电信号；利用所有提取得到的脑电信号和对应标签信息，构建得到第二脑电信号子集；
18、s223，对所述第一脑电信号子集和第二脑电信号子集进行合并处理，得到用户脑电训练信号集。
19、所述用户情绪分类模型，包括第一分类子模型和第二分类子模型；
20、所述第一分类子模型，包括第一脑电特征提取器、第一编码器、第一解码器、第一特征重建器、第二脑电特征提取器、第二编码器、第二解码器、第二特征重建器；所述第一编码器，包括第一动作编码器、第一情绪编码器；所述第二编码器，包括第二动作编码器、第二情绪编码器；
21、所述第一脑电特征提取器的输出端，与所述第一编码器的输入端连接；所述第一动作编码器和第二情绪编码器的输出端，与所述第一解码器的输入端连接；所述第二动作编码器和第一情绪编码器的输出端，与所述第二解码器的输入端连接；所述第一解码器的输出端，与所述第一特征重建器的输入端连接；所述第二解码器的输出端，与所述第二特征重建器的输入端连接；
22、所述第二分类子模型，包括第三脑电特征提取器、第三编码器、第三解码器、第三特征重建器、第四脑电特征提取器、第四编码器、第四解码器、第四特征重建器；所述第三编码器，包括第三动作编码器、第三情绪编码器；所述第四编码器，包括第四动作编码器、第四情绪编码器；
23、所述第三脑电特征提取器的输出端，与所述第三编码器的输入端连接；所述第三动作编码器和第四情绪编码器的输出端，与所述第三解码器的输入端连接；所述第四动作编码器和第三情绪编码器的输出端，与所述第四解码器的输入端连接；所述第三解码器的输出端，与所述第三特征重建器的输入端连接；所述第四解码器的输出端，与所述第四特征重建器的输入端连接；
24、所述第一脑电特征提取器、第二脑电特征提取器、第三脑电特征提取器和第四脑电特征提取器，用于对接收的脑电信号进行特征提取，得到特征信号；
25、所述第一动作编码器、第二动作编码器、第三动作编码器、第四动作编码器，用于对接收的特征信号进行动作编码，得到动作编码信号；
26、所述第一情绪编码器、第二情绪编码器、第三情绪编码器、第四情绪编码器，用于对接收的特征信号进行情绪编码，得到情绪编码信号；
27、所述第一解码器、第二解码器、第三解码器和第四解码器，用于对接收的编码信号进行解码处理，得到解码信号；
28、所述第一特征重建器、第二特征重建器、第三特征重建器和第四特征重建器，用于对所述解码信号进行重建处理，得到对应的重建脑电信号。
29、所述利用所述用户脑电训练信号集，对用户情绪分类模型进行训练处理，得到训练完毕的用户情绪分类模型，包括：
30、s31,从第一脑电信号子集中筛选出所有的具有相同的动作行为标签同时具有不同情绪标签的脑电信号对，利用所筛选出的所有的脑电信号对，构建得到第一信号对集合；所述本文档来自技高网...
【技术保护点】
1.一种运动条件下的用户情绪识别方法，其特征在于，包括：
2.如权利要求1所述的运动条件下的用户情绪识别方法，其特征在于，所述对所述用户脑电信号集进行预处理和标签组合处理，得到用户脑电训练信号集，包括：
3.如权利要求2所述的运动条件下的用户情绪识别方法，其特征在于，所述对所述用户脑电信号集进行预处理，得到预处理后的用户脑电信号集，包括：
4.如权利要求3所述的运动条件下的用户情绪识别方法，其特征在于，所述对所述预处理后的用户脑电信号集进行标签组合处理，得到用户脑电训练信号集，包括：
5.如权利要求1所述的运动条件下的用户情绪识别方法，其特征在于，所述用户情绪分类模型，包括第一分类子模型和第二分类子模型；
6.如权利要求5所述的运动条件下的用户情绪识别方法，其特征在于，所述利用所述用户脑电训练信号集，对用户情绪分类模型进行训练处理，得到训练完毕的用户情绪分类模型，包括：
7.如权利要求6所述的运动条件下的用户情绪识别方法，其特征在于，所述对所述第一信号对集合中的每个脑电信号对，输入所述第一分类子模型，得到对应
8.一种运动条件下的用户情绪识别装置，其特征在于，所述装置包括：
9.一种计算机可存储介质，其特征在于，所述计算机可存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7中任一项所述的运动条件下的用户情绪识别方法。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1-7任一项所述的运动条件下的用户情绪识别方法。
...【技术特征摘要】
1.一种运动条件下的用户情绪识别方法，其特征在于，包括：
2.如权利要求1所述的运动条件下的用户情绪识别方法，其特征在于，所述对所述用户脑电信号集进行预处理和标签组合处理，得到用户脑电训练信号集，包括：
3.如权利要求2所述的运动条件下的用户情绪识别方法，其特征在于，所述对所述用户脑电信号集进行预处理，得到预处理后的用户脑电信号集，包括：
4.如权利要求3所述的运动条件下的用户情绪识别方法，其特征在于，所述对所述预处理后的用户脑电信号集进行标签组合处理，得到用户脑电训练信号集，包括：
5.如权利要求1所述的运动条件下的用户情绪识别方法，其特征在于，所述用户情绪分类模型，包括第一分类子模型和第二分类子模型；
6.如权利要求5所述的运动条件下的用...
【专利技术属性】
技术研发人员：王宁慈，陈鹏飞，裴育，黄如强，孟祥轶，马天丹，于文东，闫慧炯，耿震，
申请(专利权)人：天津滨海人工智能创新中心，
类型：发明
国别省市：
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。