基于神经网络的情绪识别与脱敏训练效果评估方法技术

本发明专利技术涉及一种基于神经网络的情绪识别与脱敏训练效果评估方法。包括：搭建虚拟现实情绪诱发分级场景并进行实验，获取多种生理数据，构建样本数据集，并采用SAM问卷进行场景分级验证；进行生理信号预处理，得到预处理后的数据集，分为训练集和测试集；选取卷积块、长短期记忆网络构造单模态生理信号神经网络结构，并进行融合得到基于多生理信号的神经网络情绪识别模型；选取30名被试分别进行低等级场景测试，同时记录测试过程中的生理信号，用于情绪预测；基于上述情绪预测结果，将30名被试分别进行低等级与高等级脱敏训练，并预测脱敏训练效果。本发明专利技术能快速准确地识别实验对象的情绪状态，并能够对实验对象参与实验的脱敏训练效果进行有效评估。效果进行有效评估。效果进行有效评估。

【技术实现步骤摘要】
基于神经网络的情绪识别与脱敏训练效果评估方法


[0001]本专利技术涉及神经网络用于情绪预测与脱敏训练领域，具体涉及一种基于神经网络的情绪识别与脱敏训练效果评估方法。

技术介绍

[0002]情绪是人们对客观事物的感知状态，不同的情绪状态影响了人们的学习、记忆与决策等。对于不同情绪状态进行有效识别在远程教育、医疗、智能系统以及人机交互等领域均有着广泛的应用前景。基于生理信号的情绪识别能够克服传统外部特征易人为掩饰导致识别结果不精准的缺陷，多模态生理信号融合分析能够更加准确地识别出具体的情绪状态，使得结果更加客观和准确。
[0003]当人长期处于恐惧状态下容易影响人的健康，使人患上高血压、冠心病等生理疾病，也容易影响人际交往和工作效率。因此，如何精准判断患者对事物的恐惧程度是近年来的研究热点。产生恐惧后，如何对患者进行脱敏并进行有效评估也是目前研究亟待解决的一个难题。
[0004]综上所述，采用基于多模态生理信号的神经网络结构预判情绪类别将有助于更加客观和准确的反映情绪状态。现有的脱敏训练评估方法大多通过问卷进行评估，问卷结果反映情绪脱敏效果具有不真实、主观性强的缺点。因此，探索一种基于多生理信号的神经网络脱敏训练评估方法尤为重要。

技术实现思路

[0005]本专利技术的目的在于提供一种基于神经网络的情绪识别与脱敏训练效果评估方法，能快速准确地识别实验对象的情绪状态，并能够对实验对象参与实验的脱敏训练效果进行有效评估。
[0006]为实现上述目的，本专利技术的技术方案是：一种基于神经网络的情绪识别与脱敏训练效果评估方法，包括如下步骤：步骤S1、搭建虚拟现实情绪诱发分级场景并进行实验，获取实验样本人群的多种生理数据，构建样本数据集，并采用SAM问卷进行场景分级验证，确保场景分级符合要求；步骤S2、将样本数据集中的生理信号经过滤波、分割、数据增强、数据归一化方法得到预处理后的数据集，并将预处理后的数据集按照比例分为训练集和测试集；步骤S3、选取卷积块、长短期记忆网络构造单模态生理信号神经网络结构，并将单模态生理信号神经网络结构进行融合，得到基于多生理信号的神经网络情绪识别模型；步骤S4、选取30名被试分别进行低等级场景测试，同时记录测试过程中的生理信号，用于情绪预测；步骤S5、基于步骤S4情绪预测结果，将30名被试分别进行低等级与高等级脱敏训练，采用基于多生理信号的神经网络情绪识别模型预测脱敏训练效果。
[0007]在本专利技术一实施例中，所述步骤S1具体为：搭建虚拟现实情绪诱发分级场景，选用
被试进行低等级与高等级实验，同步采集训练时被试的多种生理数据，构建样本数据集；所述样本数据集中的生理信号有：心电、皮电、肌电、脉搏；分级场景测试后，采用SAM问卷对场景分级进行评分，确保场景分级符合要求。
[0008]在本专利技术一实施例中，所述虚拟现实情绪诱发分级场景与场景分级合理性评估具体为：虚拟现实情绪诱发分级场景为处于不同高度下的高空救猫任务场景，被试需要分别对低等级和高等级进行高空救猫任务，同步记录多种生理数据；每个等级实验结束后，选用SAM问卷对场景分级进行评分，验证高等级的唤醒程度评分是否高于低等级的唤醒程度评分，确保场景分级符合要求。
[0009]在本专利技术一实施例中，所述步骤S2具体为：将样本数据集生理信号经过滤波处理，去除信号中的噪声；对样本数据集进行分割，增加原始数据采样量；对样本中数据较少的情绪标签样本采用垂直翻转的数据增强方法增大样本容量，保证样本的数据分布均匀；将数据归一化到[0,1]之间，使得模型能够更快收敛；按照8：2比例将预处理后的数据集分为训练集和测试集。
[0010]在本专利技术一实施例中，所述步骤S3具体为：对各个生理信号分别设计神经网络结构，通过对比卷积块个数与长短期记忆网络层数，获取基于单模态生理信号神经网络结构；并将其进行融合获得基于多模态生理信号的神经网络情绪识别模型。
[0011]在本专利技术一实施例中，所述对比卷积块个数与长短期记忆网络层数具体为：对于单模态生理信号，选用卷积层、最大池化层作为一个卷积块，通过叠加卷积块个数增加卷积层个数，提取生理信号中的特征，卷积块个数依次递增，直至获取最高准确率；此外，在卷积块获取最佳准确率的神经网络结构基础上对长短期记忆网络层数依次递增，长短期记忆网络有利于提取生理信号的时序特征，直至获取最高的准确率。
[0012]在本专利技术一实施例中，所述基于多模态生理信号的神经网络情绪识别模型具体为：将单模态生理信号神经网络特征图通过全连接层进行展开，采用融合策略对单模态生理信号的特征图进行融合，选用密集层将融合特征展开，并用Softmax分类函数输出情绪分类结果，得到基于多生理信号的神经网络情绪识别模型，样本数据集中低等级场景下的情绪标签定义为平静，高等级场景下的情绪标签定义为恐惧。
[0013]在本专利技术一实施例中，所述步骤S4具体为：选取30名被试分别进行低等级场景测试，同时佩戴生理信号采集装置采集测试过程中的生理信号，利用训练好的基于多生理信号的神经网络情绪识别模型进行情绪预测。
[0014]在本专利技术一实施例中，所述步骤S5具体为：基于步骤S4情绪预测结果，与样本数据集情绪标签进行匹配，获得二级情绪标签对应数据集，对每一情绪标签对应数据集进行相应等级脱敏训练，并采用基于多生理信号神经网络情绪识别模型进行脱敏训练效果评估。
[0015]在本专利技术一实施例中，所述相应等级脱敏训练具体为：情绪标签定义为恐惧的被试采用低等级场景进行训练，训练过程中同步采集生理信号，训练结束后基于多模态生理信号神经网络模型进行情绪预测，若情绪预测结果仍然为恐惧，继续选用低等级场景进行训练；当情绪预测结果为平静，选用高等级场景进行训练；高等场景训练后用同样方法进行情绪预测，若对于高等场景情绪预测结果为恐惧，重复
高等场景训练，直至情绪预测结果为平静，训练结束。
[0016]相较于现有技术，本专利技术具有以下有益效果：本专利技术有效将多模态生理信号进行神经网络结构设计，融合多模态生理信号特点进行情绪识别，克服传统单一生理信号情绪识别易受噪声影响的缺点；本专利技术针对不同等级任务进行脱敏训练，提出基于多模态生理信号的情绪识别与脱敏训练效果评估方法，克服传统基于问卷进行脱敏训练评估易受主观思维控制的缺点，提高脱敏训练效果评估的准确率。
附图说明
[0017]图1是本专利技术方法流程图；图2是本专利技术基于多模态生理信号神经网络模型图；图3是本专利技术脱敏训练与效果评估方法流程图。
具体实施方式
[0018]下面结合附图，对本专利技术的技术方案进行具体说明。
[0019]本专利技术一种基于神经网络的情绪识别与脱敏训练效果评估方法，包括如下步骤：步骤S1、搭建虚拟现实情绪诱发分级场景并进行实验，获取实验样本人群的多种生理数据，构建样本数据集，并采用SAM问卷进行场景分级验证，确保场景分级符合要求；步骤S2、将样本数据集中的生理信号经过滤波、分割、数据增强、数据归一化方法得到预处理后的数据集，并将预处理后的数据集按本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，包括如下步骤：步骤S1、搭建虚拟现实情绪诱发分级场景并进行实验，获取实验样本人群的多种生理数据，构建样本数据集，并采用SAM问卷进行场景分级验证，确保场景分级符合要求；步骤S2、将样本数据集中的生理信号经过滤波、分割、数据增强、数据归一化方法得到预处理后的数据集，并将预处理后的数据集按照比例分为训练集和测试集；步骤S3、选取卷积块、长短期记忆网络构造单模态生理信号神经网络结构，并将单模态生理信号神经网络结构进行融合，得到基于多生理信号的神经网络情绪识别模型；步骤S4、选取30名被试分别进行低等级场景测试，同时记录测试过程中的生理信号，用于情绪预测；步骤S5、基于步骤S4情绪预测结果，将30名被试分别进行低等级与高等级脱敏训练，采用基于多生理信号的神经网络情绪识别模型预测脱敏训练效果。2.根据权利要求1所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述步骤S1具体为：搭建虚拟现实情绪诱发分级场景，选用被试进行低等级与高等级实验，同步采集训练时被试的多种生理数据，构建样本数据集；所述样本数据集中的生理信号有：心电、皮电、肌电、脉搏；分级场景测试后，采用SAM问卷对场景分级进行评分，确保场景分级符合要求。3.根据权利要求2所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述虚拟现实情绪诱发分级场景与场景分级合理性评估具体为：虚拟现实情绪诱发分级场景为处于不同高度下的高空救猫任务场景，被试需要分别对低等级和高等级进行高空救猫任务，同步记录多种生理数据；每个等级实验结束后，选用SAM问卷对场景分级进行评分，验证高等级的唤醒程度评分是否高于低等级的唤醒程度评分，确保场景分级符合要求。4.根据权利要求1所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述步骤S2具体为：将样本数据集生理信号经过滤波处理，去除信号中的噪声；对样本数据集进行分割，增加原始数据采样量；对样本中数据较少的情绪标签样本采用垂直翻转的数据增强方法增大样本容量，保证样本的数据分布均匀；将数据归一化到[0,1]之间，使得模型能够更快收敛；按照8：2比例将预处理后的数据集分为训练集和测试集。5.根据权利要求1所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述步骤S3具体为：对各个生理信号分别设计神经网络结构，...

【专利技术属性】
技术研发人员：何炳蔚，邹澄圣，邓震，闫茂松，俞洋钊，施家峰，
申请(专利权)人：福州大学，
类型：发明
国别省市：