一种基于惯性传感器的人类情感识别方法技术

本发明专利技术公开了一种基于惯性传感器的人类情感识别方法，具体涉及情感识别领域，通过文献参考法和模糊综合评价法，建立人体动作和人类情感之间的映射关系；通过视频刺激被测者产生情感，利用穿戴在被测者身上的惯性传感器，采集情感动作数据；使用滑动窗口法对情感动作数据进行分割采样处理，以获得情感动作数据样本；通过时频域分析法提取所述情感动作数据样本的特征；使用主成分分析法将所述特征向量进行降维处理；利用训练数据进行模型训练和参数优化，以获得加权核支持向量机模型；利用加权和支持向量机模型，进行人类情感识别。本发明专利技术能够有效地克服支持向量机模型使用单一核函数对识别效果的影响，可有效地提高人类情感识别准确度。别准确度。

【技术实现步骤摘要】
一种基于惯性传感器的人类情感识别方法


[0001]本专利技术涉及情感识别
，更具体地说，本专利技术涉及一种基于惯性传感器的人类情感识别方法。

技术介绍

[0002]目前，人工智能和人机交互呈现了高速增长和全面扩张的态势。人类的情感会引起人类的说话方式、面部表情以及肢体动作等发生一定的变化，所以导致了语音情感识别、面部情感识别和动作情感识别领域的发展。在语音情感识别中，使用语音信号来作为输入，虽然语音信号采集方便，显示直观，但是它存在一定的缺陷。比如对于语音输入的标准来说，每个人的口音和发音习惯都是不一样的，并且机器来理解这些输入的标准也没有一个固定的标准，另外，环境噪音处理是一项公认的技术难题。在面部表情和肢体动作情感识别领域中，用的最多的就是基于视觉的图像识别方法，但是这种方法虽然方便直观，但是它的复杂性比较高，处理图像需要高规格的硬件设备，会占用大量的内存资源，而且拍摄场景中的光照、遮挡等因素也会影响识别效果。
[0003]近几年，随着微型计算机硬件的发展，高性能物理传感器获得了巨大的突破，并且被广泛应用在健康检测、通信定位和娱乐游戏等领域。用于动作识别的传感器监测系统被称为人体传感器网。传感器被固定在人体的某个或者某几个部位来采集信息。相比于语音处理和图像处理技术，传感器在一些方面有很多优势。传感器的成本低廉，在日常生活广泛使用中更容易被人们接受。另外，它的体积比较小，可以在不影响被监测者正常活动的情况下长时间被穿戴在身体上。用户也可以根据自己的生活习惯和想法，来打开或者关闭数据采集的功能，不会过度侵犯个人隐私。

技术实现思路

[0004]为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于惯性传感器的人类情感识别方法。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于惯性传感器的人类情感识别方法，具体识别步骤如下：
[0006]步骤S1：通过文献参考法和模糊综合评价法，建立人体动作和人类情感之间的映射关系；
[0007]步骤S2：通过视频刺激被测者产生情感并做出动作，利用穿戴在被测者身上的n个惯性传感器节点，采集m个被测者的情感动作数据；
[0008]步骤S3：使用滑动窗口法对每个被测者穿戴的n个惯性传感器节点所采集的情感动作数据进行分割采样处理，以获得全部情感动作数据样本；
[0009]步骤S4：通过时频域分析法提取所述情感动作数据样本的特征，以获得表示人类情感的特征向量；
[0010]步骤S5：使用主成分分析法将所述特征向量进行降维处理，转化为数量尽可能少
且最能表示人类情感的综合特征向量；
[0011]步骤S6：将步骤S5中转化得到的综合特征向量划分为训练数据和测试数据，利用训练数据进行模型训练和参数优化，以获得加权核支持向量机模型；
[0012]步骤S7：根据步骤S6中测试数据和加权核支持向量机模型，进行人类情感识别。
[0013]在一个优选地实施方式中，所述步骤S1具体步骤包括：
[0014]S1.1：利用文献参考法，参考相关文献所提供的多个情感动作数据集，列出人体动作标签和人类情感标签，初步建立人体动作和人类情感的映射关系；
[0015]S1.2：利用模糊综合评价法，将步骤S1.1中得到的动作标签和情感标签的由多名专家依次评估，给出相关性打分，进一步确定人体动作与人类情感之间的映射关系。
[0016]在一个优选地实施方式中，所述步骤S3具体步骤包括：
[0017]S3.1：使用滑动窗口法对每个被测者穿戴的n个惯性传感器节点所采集的情感动作数据分割成多个长度相等的情感动作数据片段，每个情感动作数据片段作为一个样本；
[0018]S3.2：滑动窗口法有窗口宽度和重叠率两个参数，令窗口宽度为ω并且每两个相邻窗口之间的重叠率为μ，这样一共得到t个窗口，其中，t＝INT(V/μω)
‑
1，V表示情感动作数据长度，INT为取整函数，向下取整为最接近的整数；
[0019]S3.3：对于第j个传感器节点的第T个窗口内的情感动作数据片段由三轴加速度数据、三轴角速度数据和三轴磁场数据组成，分别表示为为
[0020]在一个优选地实施方式中，所述步骤S4具体步骤包括：通过时频域分析法，使用手动的方式提取每个窗口内情感动作数据片段的时域特征和频域特征，分别提取三轴加速度数据、三轴角速度数据和三轴磁场数据的均值、方差、峰度、能量、频域熵，得到的特征向量维度为M＝5个特征
×
9轴
×
n个传感器。
[0021]在一个优选地实施方式中，所述步骤S5具体步骤包括：利用主成分分析算法，对M维特征向量进行特征降维处理，转化为N个最能表示人类情感的综合特征向量，其中N＜＜M，F
N
表示N维综合特征向量构成的集合，F
M
表示M维特征向量构成的集合。
[0022]在一个优选地实施方式中，所述步骤S7具体步骤包括：
[0023]加权核模型是将多个基本核函数进行线性凸组合构造加权核函数，其具体形式为：
[0024]K(x,z)＝a1K1(x,z)+α2K2(x,z)+
…
+α
h
K
h
(x,z)+
…
+α
k
K
k
(x,z)
[0025]其中，K(x,z)为加权核函数，K
k
(x,z)为基本核函数，包括线性核函数、多项式核函数、高斯核函数和Sigmoid核函数的核函数，k为基本核函数的个数，α
h
为第h个基本核函数所对应的权值系数，h＝1,2,
…
,k，权值系数满足以下条件：a1+α2+
…
+α
h
+
…
+α
k
＝1；
[0026]通过定义模糊函数f(θ
h
)得到模型识别率θ
h
的隶属度，以计算第h个基本核函数所对应的权值系数α
h
，模糊函数f(θ
h
)的数学表达式为：
[0027][0028]其中，a为常数，θ
h
为支持向量机模型使用第h个基本核函数进行识别时所获得的模型识别率，那么第h个基本核函数所对应的权值系数α
h
为：
[0029][0030]支持向量机模型使用加权核函数建立加权核支持向量机模型，以对人类情感进行分类识别。
[0031]本专利技术的技术效果和优点：
[0032]本专利技术利用文献参考法和模糊综合评价法建立人体动作和人类情感的映射关系，构建了情感动作数据集；在情感识别层面，提出了加权和支持向量机模型，该模型主要包括两部分，首先对支持向量机模型中的核函数进行线性凸组合构造多核支持向量机模型，然后利用模糊函数对支持向量机模型中多个核函数的权重计算方法进行改进构造加权核支持向量机模型，能够有效地克服本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于惯性传感器的人类情感识别方法，其特征在于：具体识别步骤如下：步骤S1：通过文献参考法和模糊综合评价法，建立人体动作和人类情感之间的映射关系；步骤S2：通过视频刺激被测者产生情感并做出动作，利用穿戴在被测者身上的n个惯性传感器节点，采集m个被测者的情感动作数据；步骤S3：使用滑动窗口法对每个被测者穿戴的n个惯性传感器节点所采集的情感动作数据进行分割采样处理，以获得全部情感动作数据样本；步骤S4：通过时频域分析法提取所述情感动作数据样本的特征，以获得表示人类情感的特征向量；步骤S5：使用主成分分析法将所述特征向量进行降维处理，转化为数量尽可能少且最能表示人类情感的综合特征向量；步骤S6：将步骤S5中转化得到的综合特征向量划分为训练数据和测试数据，利用训练数据进行模型训练和参数优化，以获得加权核支持向量机模型；步骤S7：根据步骤S6中测试数据和加权核支持向量机模型，进行人类情感识别。2.根据权利要求1所述的一种基于惯性传感器的人类情感识别方法，其特征在于：所述步骤S1具体步骤包括：S1.1：利用文献参考法，参考相关文献所提供的多个情感动作数据集，列出人体动作标签和人类情感标签，初步建立人体动作和人类情感的映射关系；S1.2：利用模糊综合评价法，将步骤S1.1中得到的动作标签和情感标签的由多名专家依次评估，给出相关性打分，进一步确定人体动作与人类情感之间的映射关系。3.根据权利要求1所述的一种基于惯性传感器的人类情感识别方法，其特征在于：所述步骤S3具体步骤包括：S3.1：使用滑动窗口法对每个被测者穿戴的n个惯性传感器节点所采集的情感动作数据分割成多个长度相等的情感动作数据片段，每个情感动作数据片段作为一个样本；S3.2：滑动窗口法有窗口宽度和重叠率两个参数，令窗口宽度为ω并且每两个相邻窗口之间的重叠率为μ，这样一共得到t个窗口，其中，t＝INT(V/μω)
‑
1，V表示情感动作数据长度，INT为取整函数，向下取整为最接近的整数；S3.3：对于第j个传感器节点的第T个窗口内的情感动作数据片段由三轴加速度数据、三轴角速度数据和三轴磁场数据组成，分别表示为三轴角速度数据和三轴磁场数据组成，分别表示为4.根据权利要求1所述的一种基于惯性传感器的人类情感识别方法，其特征在于：所述步骤S4具体步骤包括：通过时频域分析法，使用手动的方式提取每个窗口内情感动作数据片段的时域...

【专利技术属性】
技术研发人员：郭明，赵琰，陈向勇，邱建龙，
申请(专利权)人：临沂大学，
类型：发明
国别省市：