[发明专利]一种基于卷积神经网络的三分类情绪识别模型方法

摘要

本发明提供一种基于卷积神经网络的三分类情绪识别模型方法，该三分情绪识别模型的识别方法为采集参与者情绪变化过程中产生的脑电波信号并构造基于卷积神经网络的三分类情绪识别模型；使用采集到的脑电波信号用于训练构造的基于卷积神经网络的三分类情绪识别模型；将训练好的基于卷积神经网络的三分类情绪识别模型对参与者产生的新的脑电波信号进行识别；本发明在脑电波的基础上，先对采集到的信号进行下采样，得到离散的脑电波信号；同时构造基于卷积神经网络的三分类情绪识别模型；最终通过训练卷积神经网络并获得可以用于情绪识别的基于卷积神经网络的三分类情绪识别模型。通过该方法可以提高情绪识别结果的鲁棒性和准确率。

主权项

一种基于卷积神经网络的三分类情绪识别模型方法，该三分情绪识别模型的识别方法为：采集参与者情绪变化过程中产生的脑电波信号并构造基于卷积神经网络的三分类情绪识别模型；使用采集到的脑电波信号用于训练构造的基于卷积神经网络的三分类情绪识别模型；将训练好的基于卷积神经网络的三分类情绪识别模型对参与者产生的新的脑电波信号进行识别；其特征在于：在构造基于卷积神经网络的三分类情绪识别模型分别确定输入向量与输出向量；所述的输入向量为特征向量X＝{a*b*c}，其中a为采集不同位置的脑电波信号采样集合点，b为脑电波信号的采集时间，并通过公式a＝{b1,b2,....,bz}及b＝{b1，b2...，bf}进行表述；不同位置的脑电波信号a与采集时间b构成二维向量c，通过公式c＝c1，c2，...，ct＝60进行表述；所述的输入向量为：y∈{1，2,3}，其中0表示悲观，1表示平静，2表示乐观；将采集到的特征向量X映射到输入向量y中,再使用最大池化法作为池化层的对卷积层第一层采样特征进行提取，通过Dropout方法停止让一部分神经元的采样的权值向量，并再次通过最大池化法作为池化层的对卷积层的第二层采样特征进行提取；再次通过Dropout方法停止让一部分神经元的采样的权值向量之后进行第三层采样特征进行提取；由全连接层输出三分类情绪识别结果。