本發(fā)明涉及腦電識別領(lǐng)域，尤其涉及一種提高情緒識別模型時間魯棒性的情緒腦電識別方法。
背景技術(shù)：
：情緒(emotion)是人對客觀事物是否滿足自身需要而產(chǎn)生的綜合狀態(tài)。它作為人腦的高級功能，保證著有機(jī)體的生存和適應(yīng)，不同程度上影響著人的學(xué)習(xí)、記憶與決策。在人們的日常工作和生活中，情緒的作用無處不在。負(fù)性情緒會影響我們的身心健康，降低工作質(zhì)量與效率，也會造成嚴(yán)重的工作失誤。有研究證明，負(fù)性情緒的長期積累，會損害免疫系統(tǒng)的功能，使人們更容易受到周圍病毒的感染。所以，適時地發(fā)現(xiàn)負(fù)性情緒并給予適當(dāng)?shù)母深A(yù)與調(diào)控十分必要，尤其是對司機(jī)，航天員等一些特殊工作者。另一方面，在人機(jī)交互系統(tǒng)里，如果系統(tǒng)能夠捕捉到人的情緒狀態(tài)，那么人機(jī)交互就會變得更加友好，自然與高效。情緒的分析與識別已經(jīng)成為神經(jīng)科學(xué)、心理學(xué)、認(rèn)知科學(xué)、計算機(jī)科學(xué)和人工智能等領(lǐng)域?qū)W科交叉的一項(xiàng)重要的研究課題。隨著神經(jīng)生理學(xué)的發(fā)展和腦成像技術(shù)的興起，腦電信號(Electroencephalography,EEG)因其時間分辨率高、不受人為因素控制、能夠客觀真實(shí)地反映人的情緒狀態(tài)而受到研究人員的重視并被引入到情緒識別領(lǐng)域。而且新式理論方法的提出在一定程度上提高了基于腦電的情緒識別準(zhǔn)確率。然而一旦走向?qū)嶋H應(yīng)用，識別率大幅度下降，很難滿足應(yīng)用的需求，建立高精確度的情緒識別模型仍面臨巨大的挑戰(zhàn)。其中一個難點(diǎn)就是如何剔除或降低腦電信號的時間效應(yīng)，進(jìn)而提高情緒識別模型的時間普適性。眾所周知，激素水平，外部環(huán)境(比如溫度與濕度)，以及飲食與睡眠都能引起生理信號的差異，所以在不同的時間里即使在同一種情緒狀態(tài)下的腦電信號也是有差異性的。而且在實(shí)際應(yīng)用中，情緒識別模型的建立與情緒狀態(tài)的識別勢必會存在一定的時間間隔，而且測試數(shù)據(jù)不會參與情緒識別模型的建立，特別是在一些特殊的應(yīng)用場景里，比如航天員情緒狀態(tài)的識別，識別模型的建立發(fā)生在地面上的準(zhǔn)備階段，而情緒狀態(tài)的識別發(fā)生在太空里的工作階段。當(dāng)天建立識別模型然后馬上進(jìn)入應(yīng)用是不切實(shí)際的。綜上所述，剔除或降低腦電信號的時間效應(yīng)，進(jìn)而提高情緒識別模型的時間魯棒性是十分必要的。在現(xiàn)有的研究中，關(guān)于情緒分類器的時間普適性的研究寥寥無幾。2001年，Picard等人[1]嘗試去除時間效應(yīng)對情緒識別模型的影響，采用其他情緒狀態(tài)減去平靜狀態(tài)的方法，但是利用該方法就無法識別中性情緒，情緒類型會減少，而對中性情緒狀態(tài)的識別也是非常重要且不可缺少的，中性情緒是情緒穩(wěn)定性的一個重要指標(biāo)。2012年，Chueh,Tung-Hung等人[2]利用多元方差分析的方法去除時間效應(yīng)的影響，提高了分類器的性能。但是依然存在著一個問題，就是測試集中的數(shù)據(jù)不是獨(dú)立的，依然與其他時間的數(shù)據(jù)混合在一起構(gòu)建分類器，這在實(shí)際應(yīng)用中也是不切實(shí)際的。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供了一種提高情緒識別模型時間魯棒性的情緒腦電識別方法，本發(fā)明可有效地提高情緒識別模型的時間魯棒性和普適性，解決目前情緒識別中的瓶頸問題，將模型推向應(yīng)用，并獲得可觀的社會效益和經(jīng)濟(jì)效益，詳見下文描述：一種提高情緒識別模型時間魯棒性的情緒腦電識別方法，所述情緒腦電識別方法包括以下步驟：對采集到的64導(dǎo)腦電信號進(jìn)行預(yù)處理，包括：變參考到雙耳平均；降采樣到500Hz；1-100Hz帶通濾波；以及利用獨(dú)立成分分析的算法去除眼電干擾；將預(yù)處理后的腦電信號采用可分頻段自適應(yīng)跟蹤的算法找到每個用戶的最佳可分性頻段，分別計算每一導(dǎo)聯(lián)的最佳可分頻段的功率譜密度，構(gòu)成情緒特征矩陣；利用主成分分析法對得到的情緒特征矩陣進(jìn)行降維處理，作為最終的特征矩陣；使用支持向量機(jī)分類器對最終的特征矩陣中的特征進(jìn)行識別，通過增加情緒模型訓(xùn)練集中樣本的天數(shù)弱化時間特征，提高情緒模型的時間魯棒性，將不同情緒狀態(tài)區(qū)分開，建立情緒識別模型。所述方法還包括：采集不同時間段被試者在不同情緒狀態(tài)下64導(dǎo)的腦電信號。所述將預(yù)處理后的腦電信號采用可分頻段自適應(yīng)跟蹤的算法找到每個用戶的最佳可分性頻段的步驟具體為：1)使用短時傅里葉變換計算出每一導(dǎo)聯(lián)的時頻矩陣；2)計算fisher比率，用它來衡量類內(nèi)和類間的能量差異；3)可分權(quán)重DW(f)可由Fisher比率求得；通過波段迭代選擇法計算DFC，迭代次數(shù)等于需要獲得的頻段數(shù)；從獲得的頻段數(shù)中獲取最佳可分性頻段。所述從獲得的頻段數(shù)中獲取最佳可分性頻段具體為：當(dāng)頻率窗口沿著DW(f)的頻率軸移動時，計算能量分布；根據(jù)最大能量分布α，在所有的頻段數(shù)中選擇最佳計算的相對變化δj；設(shè)一個門檻值δmin，比較δ2和δmin，如果δ2大于δmin，則接著比較δ3與δmin的大小，直到找到δj小于δmin，那么j-1的位置就是最佳可分性的頻段。所述利用主成分分析法對得到的情緒特征矩陣進(jìn)行降維處理，作為最終的特征矩陣的步驟具體為：1)對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，得到原始矩陣；然后求其協(xié)方差矩陣；對協(xié)方差矩陣進(jìn)行特征根分解，得到特征根矩陣及特征向量；2)求原始矩陣在新的矢量空間中的投影，即主成分向量組；3)每個主成分的特征根大小代表其蘊(yùn)含信息量的多少，求前k個主成分的累積貢獻(xiàn)率；4)選定預(yù)設(shè)的累積貢獻(xiàn)率，使前d個主成分FNi*d作為新的數(shù)據(jù)進(jìn)行模式識別。所述使用支持向量機(jī)分類器對最終的特征矩陣中的特征進(jìn)行識別，將不同情緒狀態(tài)區(qū)分開，建立情緒識別模型的步驟具體為：對每一天的數(shù)據(jù)分別進(jìn)行列歸一化，歸一化到[-1.1]，得到特征矩陣；利用SVM分類器建立情緒識別模型，建模過程中，將多天的數(shù)據(jù)放入訓(xùn)練集，以提高分類器的時間魯棒性。本發(fā)明提供的技術(shù)方案的有益效果是：本發(fā)明的主旨是提出一種提高情緒識別模型時間魯棒性的新方法，通過可分頻段自適應(yīng)跟蹤法尋找到每個用戶的最佳可分頻段，通過提高訓(xùn)練集中樣本的天數(shù)來弱化時間特異性特征，繼而準(zhǔn)確穩(wěn)定實(shí)時地進(jìn)行情緒識別。該項(xiàng)發(fā)明可有效地提高情緒識別模型的時間魯棒性和準(zhǔn)確性，可獲得可觀的社會效益和經(jīng)濟(jì)效益。最佳實(shí)施方案擬采用專利轉(zhuǎn)讓、技術(shù)合作或產(chǎn)品開發(fā)。附圖說明圖1為一種提高情緒識別模型時間魯棒性的情緒腦電識別方法的流程圖；圖2為60導(dǎo)EEG導(dǎo)聯(lián)圖；圖3為被試實(shí)驗(yàn)時間安排表；圖4為可分頻段自適應(yīng)跟蹤計算流程圖；圖5為DFCs算法流程圖；圖6為不同訓(xùn)練天數(shù)下的識別正確率。具體實(shí)施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面對本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。為了解決
背景技術(shù)：
中的問題，本發(fā)明實(shí)施例提出了一種新的提高情緒識別模型時間魯棒性的情緒腦電識別方法，通過可分頻段自適應(yīng)跟蹤算法找到每個用戶的最佳可分性頻段，分別計算每一導(dǎo)聯(lián)的最佳可分頻段的功率譜密度，構(gòu)成情緒特征矩陣，利用主成分分析法對得到的特征矩陣進(jìn)行降維處理，作為最終情緒識別的特征矩陣，使用支持向量機(jī)建立情緒識別模型，通過增加情緒模型訓(xùn)練集中樣本的天數(shù)弱化時間特征，提高情緒模型的時間魯棒性，從而準(zhǔn)確、客觀的進(jìn)行情緒識別。該方法克服了上述的兩個問題，既不會減少識別的情緒種類，測試集的數(shù)據(jù)又不會參與情緒識別模型的建立，滿足實(shí)際應(yīng)用中的要求。實(shí)施例1本發(fā)明實(shí)施例提供了一種提高情緒識別模型時間魯棒性的情緒腦電識別方法，參見圖1，該情緒腦電識別方法包括以下步驟：101：數(shù)據(jù)采集階段采集的是不同時間段被試者在不同情緒狀態(tài)下(積極、中性、消極)64導(dǎo)的腦電信號；102：對采集到的64導(dǎo)腦電信號進(jìn)行四個步驟的預(yù)處理。包括：變參考到雙耳平均；降采樣到500Hz；1-100Hz帶通濾波；以及獨(dú)立成分分析(independentcomponentanalysis，ICA)去眼電干擾；103：將預(yù)處理后的腦電信號采用可分頻段自適應(yīng)跟蹤的算法找到每個用戶的最佳可分性頻段，分別計算每一導(dǎo)聯(lián)的最佳可分頻段的功率譜密度，構(gòu)成情緒特征矩陣；104：利用主成分分析法對得到的情緒特征矩陣進(jìn)行降維處理，作為最終的特征矩陣；105：使用支持向量機(jī)分類器對最終的特征矩陣中的特征進(jìn)行識別，通過增加情緒模型訓(xùn)練集中樣本的天數(shù)弱化時間特征，提高情緒模型的時間魯棒性，將不同情緒狀態(tài)區(qū)分開，建立情緒識別模型。為了提高情緒識別模型的時間魯棒性，本發(fā)明實(shí)施例通過增加訓(xùn)練集中樣本的天數(shù)來弱化時間特異性的特征。在特征識別之前，首先分別對每一天的數(shù)據(jù)進(jìn)行歸一化。綜上所述，本發(fā)明實(shí)施例通過可分頻段自適應(yīng)跟蹤算法找到每個用戶的最佳可分性頻段，分別計算每一導(dǎo)聯(lián)的最佳可分頻段的功率譜密度，構(gòu)成情緒特征矩陣，利用主成分分析法對得到的特征矩陣進(jìn)行降維處理，作為最終情緒識別的特征矩陣，使用支持向量機(jī)建立情緒識別模型，通過增加情緒模型訓(xùn)練集中樣本的天數(shù)弱化時間特征，提高情緒模型的時間魯棒性，從而準(zhǔn)確、客觀的進(jìn)行情緒識別。該項(xiàng)發(fā)明可有效地提高情緒識別模型的時間魯棒性和準(zhǔn)確性。實(shí)施例2下面結(jié)合圖2、圖3、圖4、圖5對實(shí)施例1中的方案進(jìn)行詳細(xì)的介紹，詳見下文描述：201：數(shù)據(jù)采集階段；其中，腦電采集裝置為Neuroscan公司的64導(dǎo)聯(lián)放大器和Scan4.5采集系統(tǒng)，電極遵照國際腦電協(xié)會規(guī)定的標(biāo)準(zhǔn)10-20系統(tǒng)放置，去除眼電和參考電極外的60導(dǎo)電極的導(dǎo)聯(lián)分布如圖2所示。采集時以右側(cè)乳突作為參考電極，腦部前額頂側(cè)中央處接地，所有電極的阻抗均保持在5k歐以下，采樣頻率為1000Hz。每名被試者需在一個月內(nèi)進(jìn)行5次數(shù)據(jù)采集，每一次采集之間的時間間隔分別是一天、三天、一周和兩周。圖3是被試者實(shí)驗(yàn)時間安排表。每名被試者在該天的同一時間來到實(shí)驗(yàn)室進(jìn)行數(shù)據(jù)采集，用視頻誘發(fā)被試積極、中性、消極三種情緒狀態(tài)。202：數(shù)據(jù)預(yù)處理；對采集到的64導(dǎo)腦電信號進(jìn)行四個步驟的預(yù)處理。包括：變參考到雙耳平均；降采樣到500Hz：1-100Hz帶通濾波以及ICA去眼電干擾。其中，采集時的參考電位在右耳乳突處，這導(dǎo)致右腦區(qū)導(dǎo)聯(lián)的信號幅值偏低。因此首先進(jìn)行參考電位轉(zhuǎn)換，將參考電位變?yōu)槲挥趦蓚?cè)乳突部位的M1、M2導(dǎo)聯(lián)處，便于后續(xù)數(shù)據(jù)處理。系統(tǒng)的采樣頻率是1000Hz，主要是為了滿足腦電信號變化迅速的要求。但1000Hz的采樣頻率遠(yuǎn)遠(yuǎn)大于奈奎斯特定理的理論采樣頻率，并且采樣頻率過大會導(dǎo)致數(shù)據(jù)量過大使后續(xù)處理效率降低。因此，要對采集到的數(shù)據(jù)進(jìn)行降采樣，腦電信號的采樣頻率由1000Hz降為500Hz。本發(fā)明實(shí)施例進(jìn)行1Hz～100Hz的帶通濾波以去除直流干擾以及高頻信號。由于采集到的腦電信號不可避免地會含有眼電(包括眼球的上下、左右移動，眨眼)及肌電信號帶來的影響。其中眼電，尤其是眨眼的眼電信號特別強(qiáng)烈，受眼電影響最大的是前額區(qū)域的導(dǎo)聯(lián)。對于腦電信號中摻雜的眼電信號及肌電信號產(chǎn)生的影響，本發(fā)明實(shí)施例通過獨(dú)立分量分析(IndependentComponentAnalysis，ICA)濾波的方法予以濾除。其中，具體濾波的方法為本領(lǐng)域技術(shù)人員所公知，本發(fā)明實(shí)施例對此不做限制。203：可分頻段的自適應(yīng)跟蹤法；因?yàn)椴煌脩魰胁煌淖罴芽煞中灶l段，因此本發(fā)明實(shí)施例利用可分頻段自適應(yīng)跟蹤(adaptivetrackingofdiscriminativefrequencycomponents，ATDFCs)的方法找到可將不同情緒類型區(qū)分開的最佳頻段，這對準(zhǔn)確的提取特征、提高分類正確率是很重要的。DFC自適應(yīng)跟蹤法的計算過程如圖4所示。1)使用短時傅里葉變換計算出每一導(dǎo)聯(lián)的時頻矩陣；因此，每一個導(dǎo)聯(lián)都有一個離散時頻矩陣In(f,t)。2)計算fisher比率，用它來衡量類內(nèi)(同一模式內(nèi)，在本發(fā)明實(shí)施例中是指同一情緒類型)和類間(不同模式之間，在本發(fā)明實(shí)施例中是指不同情緒類型之間)的能量差異。其計算方法如公式(1)、公式(2)、公式(3)所示。Sw(f,t)=Σk=1cΣn=1nk(In(f,t)-mk(f,t))(In(f,t)-mk(f,t))T---(1)]]>SB(f,t)=Σk=1Cnk(m(f,t)-mk(f,t))(m(f,t)-mk(f,t))T---(2)]]>FR(f,t)=SB(f,t)Sw(f,t)---(3)]]>其中，Sw(f,t)、SB(f,t)、mk(f,t)、m(f,t)以及FR(f,t)是二維矩陣。Sw(f,t)、SB(f,t)分別代表類內(nèi)以及類間差異，F(xiàn)R(f,t)為fisher比率，mk(f,t)是第k類的平均時頻密度，m(f,t)是所有類的平均時頻密度，C代表類別數(shù)，本發(fā)明實(shí)施例中C＝3，nk是第k類中的樣本數(shù)。3)可分權(quán)重DW(f)可由Fisher比率求得，其計算方法如公式(4)：DW(f)=Σt=1τFR(f,t)---(4)]]>其中，τ代表STFT計算時的時間段。4)獲得DW(f)后，通過波段迭代選擇法計算DFC，迭代次數(shù)等于需要獲得的頻段數(shù)?？梢允褂孟旅嫣岬降腟tep1到Step5五個步驟來計算最具可分性的頻段，如圖5所示。然后將最具可分性頻段下的權(quán)重DW(f)置為零，再計算可分性位于第二位的頻段。例如，最具可分性的頻段為9～14Hz，就將9、10、11、12和13Hz對應(yīng)的DW(f)置為零，再計算第二可分頻段；不斷重復(fù)這個過程直到獲得需要的頻段數(shù)。Step1、首先確定需要被選擇的頻段為1～100Hz，滑動的頻率窗口在3～7Hz間以步長1Hz變化(如圖5所示)。因此，可以得到5個不同帶寬參數(shù)記為BWj(j＝1,2,3,4,5)。Step2、當(dāng)頻率窗口沿著DW(f)的頻率軸移動時，根據(jù)公式(5)計算能量分布α。α(Fi,BWj)=Σf=Fi-BWj2f=Fi+BWj2DW(f)---(5)]]>其中，F(xiàn)i代表頻率窗口沿著頻率軸移動時第i個頻段的中心頻率。例如，當(dāng)頻率窗寬為3Hz時，則可獲得97個頻段，例如：1～4Hz、2～5Hz、3～6Hz、4～7Hz,…,97Hz～100Hz。Step3、根據(jù)最大能量分布α，在所有的Fi中選擇最佳如公式(6)。Fjopt=argmaxFiα(Fi,BWj)---(6)]]>對每一個BWj都要求出一個因此，每一個j，都對應(yīng)一個最佳中心頻率以及最佳能量分布Step4、為了比較每個BWj的分辨能力，計算的相對變化，j＝(2,3,4,5)，利用公式(7)計算δj。δj=αjopt-αj-1optαjopt*100%---(7)]]>Step5、計算完δj之后，設(shè)一個門檻值δmin。實(shí)驗(yàn)證明，對于不同的門檻值，例如：10％,20％,30％,40％,…,，門檻值越小，該算法越趨近于選擇頻率窗為3Hz的頻率段。比較δ2和δmin，如果δ2大于δmin，則接著比較δ3與δmin的大小，直到找到δj小于δmin。那么j-1的位置就是最具可分性的頻段。本發(fā)明實(shí)施例選擇每一導(dǎo)聯(lián)的第一可分頻段，第二可分頻段和第三可分頻段的功率譜值建立每一天的特征矩陣PNi*180。Ni為第i天的樣本數(shù)量。60導(dǎo)聯(lián)*3頻段＝180維特征。PNi*180＝(P1,P2,…,P180)(8)204：主成分分析法降維；實(shí)際應(yīng)用時，由于各個參數(shù)所含的信息之間具有一定的重疊性和相關(guān)性，若直接將它們用于模式識別，會造成模型參數(shù)的過度擬合而降低分類的準(zhǔn)確性和可靠性，且會因?yàn)閿?shù)據(jù)量過大而降低分類的速度。因此在模式分類之前，本發(fā)明實(shí)施例首先利用PCA對每一天得到的特征向量進(jìn)行降維處理。PCA根據(jù)方差最大化原理，用一組線性無關(guān)且相互正交的新向量表征原來的數(shù)據(jù)矩陣的行(或列)，達(dá)到壓縮變量個數(shù)，剔除冗余信息，最大化保存有效信息的目的。原始向量組為(P1,P2,…,P180)，主成分向量組記為(F1,F2,…,Fm)，通常m小于180。則主成分與原始向量組的關(guān)系為：F1=a1,1P1+a1,2P2+...+a1,180P180F2=a2,1P1+a2,2P2+...+a2,180P180...Fk=ak,1P1+ak,2P2+...+ak,180P180...Fm=am,1P1+am,2P2+...+am,180P180---(9)]]>其中，F(xiàn)1蘊(yùn)含信息量最多，具有最大方差，稱為第一主成分，F(xiàn)2，…，F(xiàn)m依次遞減，稱為第二主成分、…、第m主成分。因此主成分分析的過程可以看作是確定權(quán)重系數(shù)αk,h(k＝1,…,m；h＝1,…180)的過程。在本發(fā)明實(shí)施例中，第i天得到的Ni個樣本(i＝1,2,3,4,5)，可用下面的矩陣表示PNi*180=P1,1P1,2...P1,h...P1,180P2,1P2,2...P2,h...P2,180..................Pb,1Pb,2...Pb,h...Pb,180..................PNi,1PNi,2...PNi,h...PNi,180---(10)]]>其中，Pb,h為第b個樣本的第h個特征。用PCA進(jìn)行特征降維的求解過程如下：1)對原始數(shù)據(jù)PNi*180進(jìn)行標(biāo)準(zhǔn)化處理，矩陣中的元素減去所在列的均值，然后除以所在列的標(biāo)準(zhǔn)差，使得每個變量的均值為0，方差為1，得到矩陣PNi*180*。PNi*180*＝[yb,h]Ni*180，b＝1,2,…,Ni；h＝1,2,…,180(11)yb,h=[Pb,h-Ph‾]/Sh---(12)]]>其中，2)然后求其協(xié)方差矩陣C180*180,PNi*180*中任兩列之間可以計算兩變量間的協(xié)方差，于是得到協(xié)方差矩陣：3)對協(xié)方差矩陣C180*180進(jìn)行特征根分解，得到特征根矩陣Λ180*180及特征向量U180*180。C180*180＝U180*180Λ180*180U180*180(14)其中，特征向量U180*180作為主成分的坐標(biāo)軸，構(gòu)成新的矢量空間，其中，特征根λr(r＝1,2，…,180)的大小代表第r個主成分蘊(yùn)含的信息量。U180*180′是U180*180的轉(zhuǎn)置矩陣。4)求原始數(shù)據(jù)PNi*180在新的矢量空間中的投影，即主成分向量組FNi*180：FNi*180＝PNi*180U180*180(15)5)求累積貢獻(xiàn)率。每個主成分的特征根大小代表其蘊(yùn)含信息量的多少。求前k個主成分的累積貢獻(xiàn)率(k＝1,…,180)。prek=Σi=1kλiΣi=1180λi---(16)]]>其中，λi是求出的第i個特征根。6)選定預(yù)設(shè)的累積貢獻(xiàn)率，使前d個主成分FNi*d作為新的數(shù)據(jù)進(jìn)行模式識別(d<180)。例如：一共得出7個主成分。第一個主成分F1的貢獻(xiàn)率為48％，F(xiàn)2的貢獻(xiàn)率為32％，F(xiàn)3的貢獻(xiàn)率為15％，F(xiàn)4,F5,F6,F7總共的貢獻(xiàn)率為5％(7個主成分的貢獻(xiàn)率一共是100％)。那么前三個主成分(F1,F2,F3)的累積貢獻(xiàn)率達(dá)到了95％，也就是說，前三個主成分蘊(yùn)含了7個主成分95％的信息，那么，選擇這三個主成分作為新的數(shù)據(jù)進(jìn)行模式識別，在保證信息量的同時降低了特征矩陣的維數(shù)。205：情緒識別模型的建立；特征降維后，使用支持向量機(jī)(SupportVectorMachine，SVM)[3]建立情緒識別模型，識別用戶當(dāng)前的情緒狀態(tài)。在模式識別階段，一部分樣本用來建立分類器，稱為訓(xùn)練集，剩余的樣本用來測試分類器，稱為測試集。本發(fā)明實(shí)施例首先通過增加訓(xùn)練集中樣本的天數(shù)來提高情緒識別模型的時間魯棒性。所以在模式識別階段，將四天的數(shù)據(jù)用于訓(xùn)練模型，剩余一天的樣本歸于測試集。這樣有利于訓(xùn)練集提取與情緒相關(guān)的特征，而弱化時間特異性的特征。建立分類器之前，首先需要對每一天的數(shù)據(jù)分別進(jìn)行列歸一化，歸一化到[-1.1]，得到特征矩陣PPNi*d,(d為降維后特征矩陣的維數(shù))PPi,j＝(ymax-ymin)*(Fi,j-Fjmin)/(Fjmax-Fjmin)+ymin,其中，ymax＝1,ymin＝-1；為降維后的特征矩陣FNi*d的第j列的最小值，同理，為特征矩陣FNi*d的第j列的最大值。歸一化后，利用SVM分類器建立情緒識別模型。綜上所述，本發(fā)明實(shí)施例通過可分頻段自適應(yīng)跟蹤法尋找到每個用戶的最佳可分頻段；通過主成分分析法對特征矩陣進(jìn)行特征降維；通過提高訓(xùn)練集中樣本的天數(shù)來弱化時間特異性特征，繼而準(zhǔn)確穩(wěn)定實(shí)時地進(jìn)行情緒識別。該項(xiàng)發(fā)明可有效地提高情緒識別模型的時間魯棒性和準(zhǔn)確性。實(shí)施例3下面結(jié)合圖6對實(shí)施例1和2的方案進(jìn)行可行性驗(yàn)證，詳見下文描述：圖6是9名被試不同訓(xùn)練樣本天數(shù)下的識別正確率。橫軸是訓(xùn)練集中樣本的天數(shù)N(N＝1,2,3,4)，即N天的樣本做訓(xùn)練，剩余的5-N天的樣本做測試。縱軸是得到的N天條件下的平均識別正確率。由圖6中可以看出，隨著訓(xùn)練集中天數(shù)的增加，正確率提高，正確率與訓(xùn)練樣本的天數(shù)呈正相關(guān)；4天的樣本用于訓(xùn)練分類器相比于1天的樣本做訓(xùn)練，其正確率提高了大約10％，且具有統(tǒng)計學(xué)差異(p<0.01)。這也驗(yàn)證了本發(fā)明提出的方法有效。本發(fā)明實(shí)施例通過可分頻段自適應(yīng)跟蹤法找到每個用戶的最佳可分頻段，主成分分析法進(jìn)行特征降維，并增加情緒識別模型中訓(xùn)練集中樣本的天數(shù)強(qiáng)化了情緒相關(guān)的特征，弱化了時間特異性的特征，從而提高了情緒識別模型的時間魯棒性。該圖6說明了增加訓(xùn)練集中樣本的天數(shù)可以顯著提高分類器的時間魯棒性。本發(fā)明可有效地提高情緒識別模型的時間魯棒性和準(zhǔn)備性，為情緒識別從實(shí)驗(yàn)室走向應(yīng)用提供了技術(shù)支持。參考文獻(xiàn)[1]PICARDRW,VYZASE,HEALEYJ.Towardmachineemotionalintelligence:Analysisofaffectivephysiologicalstate[J].PatternAnalysisandMachineIntelligence,IEEETransactionson,2001,23(10):1175-91.[2]CHUEHT-H,CHENT-B,LUHH-S,etal.StatisticalPredictionofEmotionalStatesbyPhysiologicalSignalswithManovaandMachineLearning[J].InternationalJournalofPatternRecognitionandArtificialIntelligence,2012,26(04):[3]HIDALGO-MUOZAR,LPEZMM,SANTOSIM,etal.ApplicationofSVM-RFEonEEGsignalsfordetectingthemostrelevantscalpregionslinkedtoaffectivevalenceprocessing[J].ExpertSystemswithApplications,2013,40(6):2102–8.本領(lǐng)域技術(shù)人員可以理解附圖只是一個優(yōu)選實(shí)施例的示意圖，上述本發(fā)明實(shí)施例序號僅僅為了描述，不代表實(shí)施例的優(yōu)劣。以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3