CN109472290A - 基于有限状态机的情绪波动模型分析方法 - Google Patents

基于有限状态机的情绪波动模型分析方法 Download PDF

Info

Publication number
CN109472290A
CN109472290A CN201811181916.6A CN201811181916A CN109472290A CN 109472290 A CN109472290 A CN 109472290A CN 201811181916 A CN201811181916 A CN 201811181916A CN 109472290 A CN109472290 A CN 109472290A
Authority
CN
China
Prior art keywords
mood
state machine
finite state
emotional
finite
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811181916.6A
Other languages
English (en)
Other versions
CN109472290B (zh
Inventor
林巧民
潘敏
赵慧娟
丁楠
徐康
叶宁
王汝传
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201811181916.6A priority Critical patent/CN109472290B/zh
Publication of CN109472290A publication Critical patent/CN109472290A/zh
Application granted granted Critical
Publication of CN109472290B publication Critical patent/CN109472290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明揭示了一种基于有限状态机的情绪波动模型分析方法，包括：S1、使用体征采集设备采集生理数据，进行特征提取；S2、将特征用支持向量机分类器进行情绪分类识别，得到每个时间段内的情绪；S3、描述情感状态转移过程，构建并估计状态序列；S4、进行心理情绪问卷调查，计算得到情感状态序列集；S5、进行PAD情绪量表问卷调查，将结果经过PAD模型分类训练后得到情绪样本，标注情绪状态，进行监督学习训练；S6、通过情绪状态序列集、模型分析结果及监督学习训练结果，完成对情绪波动、情绪质量的预测。本方法可以与现有方法相配合，实现主客观两方面的融合，突破了单一情感生理信号与情感间的关系及仅考虑客观因素的研究局限。

Description

基于有限状态机的情绪波动模型分析方法
技术领域
本发明涉及一种情绪波动模型的分析方法，具体而言，涉及一种基于有限状态机的情绪波动模型分析及情绪预测方法，属于人工智能中的情感计算领域。
背景技术
PAD三维情感模型是一种较常用的利用维度空间标识情感状态的模型，在音视频语音合成、情感计算等领域均有较为广泛的应用。PAD三维情感模型由Mehrabian等于1974年首次提出，其包括愉悦度、激活度和优势度三个维度。PAD三维情感模型主要有以下特点：在PAD模型中，每一种情感都唯一对应一个PAD空间坐标位置。当PAD参数归一化后，情感可以用唯一的三维坐标来标识，具有高置信度的评价。在PAD模型中，通过一组标准情感量表完成PAD参数坐标的确定，PAD各维度间的独立性能够更容易的区分位于不同情感维度的文本情感。
在现有的研究中，实现对情绪状态的识别主要包括以下三种方法：1、无监督学习法。对没有概念标记(分类)的训练样本进行学习，以发现训练样本集中的结构性知识，深度学习网络(DLN)就是典型的无监督学习。采用与神经网络相似的分层结构，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，深度学习利用大数据来学习特征,更能够刻画数据的丰富内在信息。2、监督学习法。对具有概念标记(分类)的训练样本进行学习，以尽可能对训练样本集外的数据进行标记(分类)预测。常见的监督学习方法有支持向量机、神经网络、决策树、贝叶斯网络、K－近邻以及隐马尔可夫模型等。3、半监督学习法。这种学习方法实现了监督学习与无监督学习的结合，考虑如何利用少量的标注样本和大量的未标样本进行训练和分类。具体而言，情感计算是通过构建情绪状态而建立的计算模型，它对行为和生理信号进行分析，并基于测量到的情绪状态在人机之间建立情绪交互。其最重要的一个环节是“情绪识别(Emotion Recognition)”即通过用户的行为和生理反应来预测估计相应的情绪状态。
总体而言，目前基于生理信号的情绪识别研究很多，但受到各种因素，如刺激取、诱发情绪的类别、采集设备、特征提取方法、不同的降维和分类算法等的影响，各研究间的识别准确率差异性很大，很难进行比较针对使用。
有限状态机(FSM)是一种为研究有限状态的计算过程和某些语言类而抽象出的计算模型，一个有限状态机包括以下几个部分：一个有限状态集，用于描述***中的不同状态；一个输入集，用于表示***所接受的不同输入信息；一个状态转移规则集，用于表述***在接收不同输入时从一个状态转移到另一个状态的规则。其中有限状态机主要包含两类,分别是有限接收器和有限转换器。有限状态机是具有离散输入和输出***的一种数学模型，而情绪与外界刺激之间的对应关系也是离散的，并且情感状态的转移也是在有限的情感状态空间中从一种特定的状态到另一状态的转变。基于FSM的情感状态转移个体情感的激活不仅与外界输入刺激有关，还与当前人体的性格和心理有关。这一固有性质与有限状态机的功能描述是吻合的。
综上所述，如何在现有技术的基础上提出一种基于有限状态机的情绪波动模型分析及情绪预测方法，有效地实现对情绪波动模型的分析、完成情绪预测，也就成为了业内技术人员新的研究方向。
发明内容
鉴于现有技术存在上述缺陷，本发明提出了一种基于有限状态机的情绪波动模型分析方法，包括如下步骤：
S1、使用体征采集设备采集被测人员的生理数据，将所获得的生理数据实时上传，并进行特征提取；
S2、将提取到的特征用支持向量机分类器进行情绪分类识别，得到每个时间段内的情绪；
S3、通过有限状态机描述情感状态转移过程，构建状态序列，并对状态序列进行估计；
S4、对被测人员进行心理情绪问卷调查，得到被测人员的心理情绪年龄，通过计算得到情感状态序列集；
S5、对被测人员进行PAD情绪量表问卷调查，将填写问卷所得到的结果经过PAD模型分类训练后得到情绪样本，并对情绪样本中的情绪状态进行标注，随后对情绪样本进行监督学习训练；
S6、通过情绪状态序列集及情绪波动模型的分析结果，并结合情绪样本的监督学习训练结果，完成对未来的情绪波动和情绪质量的预测。
优选地，所述体征采集设备包括皮肤电传感器和心率传感器。
优选地，S3中所述情感状态转移过程包括情绪状态的初始直至情绪状态的终止。
优选地，S3中所述构建状态序列，并对状态序列进行估计，具体包括如下步骤：
S31、引入I、S和M的有限状态机三元组，其中，
I表示输入外界刺激(i1,i2,i3,i4,…,in)的有限非空集，
S表示个体的情绪状态(s1,s2,s3,s4,…,sn)的有限非空集；
S32、将情绪状态分为高兴、生气、惊讶、厌恶、恐惧、平静和悲伤七种，且将每种情绪状态按照程度再细分为轻微、一般和非常三种；
S33、选择外界刺激时间长度以及自身心理素质作为输入集，对于有限状态转移规集，引入强度因子K,所述K的大小与外界刺激强度以及自身心理素质相关，所述K的取值范围在0到1内。
优选地，S4中所述通过计算得到情感状态序列集，具体包括如下步骤：
S41、依据计算公式，情商＝(心理情绪年龄/实际年龄)*100％，计算情商yt；
S42、将情商yt及得到的心理情绪年龄应用到联合公式中，得到情绪波动模型
其中，c为一个常数，c>0，αp表示第p时刻的情绪对当前情绪影响的程度，ut为白噪声过程，设ut是考虑到个人对待各种波动的自我反击应变能力、是一个与时间有关的变量,即ut随时间的变化而变化，和呈线性相关；
S43、求解情绪波动模型中的各项参数及条件方差，随后通过有限状态机描述得到另一组情感状态序列，汇总得到情感状态序列集。
优选地，S5中所述监督学习训练，包括如下步骤：采用监督学习方法中的人工神经网络来对情绪样本进行学习，然后对训练样本集外的数据进行标记、分类预测。
与现有技术相比，本发明的优点主要体现在以下几个方面：
本发明中的基于有限状态机的情绪波动模型可以与现有的情绪识别方法相配合，实现主客观两方面的融合，从而突破了单一情感生理信号与情感之间的关系以及仅考虑客观因素的研究局限。本发明可以根据需要制定个人情绪波动模型，以预防和避免坏情绪所带来的副作用。本发明中所使用到的有限状态机还能够将情绪进行更为细致的分类，实现对细微情绪更精确的描述。
同时，本发明的方案将通过体征采集设备得到的情感状态序列以及情绪波动分析出来的情感状态序列进行了有效的结合，从而更加准确地观测到了情绪的波动情况并实现了对未来情绪波动的预测。
此外，本发明也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于同领域内其他情绪波动模型分析及情绪预测的技术方案中，具有十分广阔的应用前景。
以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明中情感转移过程示意图；
图2为本发明的流程示意图。
具体实施方式
如图1～图2所示，本发明揭示了一种基于有限状态机的情绪波动模型分析方法，包括如下步骤：
S1、使用体征采集设备采集被测人员的生理数据，将所获得的生理数据实时上传，并进行特征提取。所述体征采集设备包括皮肤电传感器和心率传感器。
S2、将提取到的特征用支持向量机(SVM)分类器进行情绪分类识别，得到每个时间段内的情绪。
S3、通过有限状态机描述情感状态转移过程，构建状态序列，并对状态序列进行估计。所述情感状态转移过程包括情绪状态的初始直至情绪状态的终止。
所述构建状态序列，并对状态序列进行估计，具体包括如下步骤：
S31、引入I、S和M的有限状态机三元组，其中，
I表示输入外界刺激(i1,i2,i3,i4,…,in)的有限非空集，
S表示个体的情绪状态(s1,s2,s3,s4,…,sn)的有限非空集，
M表示为乘积空间I*S上的一个模糊子集，称为从I到S的模糊关系。
S32、将情绪状态分为高兴、生气、惊讶、厌恶、恐惧、平静和悲伤七种，且将每种情绪状态按照程度再细分为轻微、一般和非常三种。
例如将生气、高兴等状态均细分为轻微生气、一般生气和非常生气。则S可表示为(轻微生气，一般生气，非常生气，轻微高兴，一般高兴，非常高兴………)共21个状态。人的情绪状态的变化，与外界刺激、自身的心理和性格，以及刺激的时间长度等都有很大的关系。
S33、选择外界刺激时间长度以及自身心理素质作为输入集，对于有限状态转移规集，引入强度因子K,所述K的大小与外界刺激强度以及自身心理素质相关，所述K的取值范围在0到1内。
在通过SVM分类器已经得到具体的情绪下，例如通过特征提取后的情绪为高兴，则当0<K<＝0.33，为轻微高兴。当0.33<K<＝0.66时，为一般高兴。当0.66<K<＝1，为非常高兴。
S4、对被测人员进行心理情绪问卷调查，得到被测人员的心理情绪年龄，通过计算得到情感状态序列集。
所述通过计算得到情感状态序列集，具体包括如下步骤：
S41、依据计算公式，情商＝(心理情绪年龄/实际年龄)*100％，情商是情绪智力的简称，其波动与情绪的波动成正相关。计算情商yt。
S42、将情商yt及得到的心理情绪年龄应用到联合公式中，得到情绪波动模型
其中，c为一个常数，c>0，αp表示第p时刻的情绪对当前情绪影响的程度，ut为白噪声过程，设ut是考虑到个人对待各种波动的自我反击应变能力、是一个与时间有关的变量,即ut随时间的变化而变化，和呈线性相关。
S43、求解情绪波动模型中的各项参数及条件方差，随后通过有限状态机描述得到另一组情感状态序列，汇总得到情感状态序列集。
以下进一步描述情绪波动模型的求解过程，
yt＝c+α1yt-1+α2yt-2+…+αpyt-p+ut， (1)
其中，c为一个常数，c>0，αp表示第p时刻的情绪对当前情绪影响的程度。方程中的ut为白噪声过程,设此变量是考虑到个人对待各种波动的自我反击应变能力,即一种自我调节控制能力。ut是一个与时间有关的变量,即ut要随时间的变化而变化。一个方法就是表明和是线性相关的，即：
综上可得，
因为ut是随机的，且不可能是负的,ξ>0，0<＝β1+β2+…+βm<1。当这些条件满足时，的非条件期望可表示为：
这说明的非条件期望在假设的条件下是常数，而且是可以通过估计而得出的。(5)式表明前一段时间的情绪波动会使得今天情绪波动依然很大，除非有其他的反向冲击相抵消，同理，前一段时间的心平气和也使得今天的心情异常平静，除非突然出现大的冲击使得陡然加大。在估算时，我们可以考虑将(5)式换一种形式，即假设：
其中{vt}是独立分布且具有零均值和单位方差的序列。如果满足：
那么就有
这正好是(5)式，这种变化表明如果ut满足(6)和(7)式，那么(5)式就成立，刚才建立的条件期望不变。
在估算时，为了简化(1)式改写成如下形式：
其中，x′t是一个表示所有解释变量的向量，很显然它包含着y的滞后值，ut仍然满足(2)式的条件。取开始的m个观测值为条件(t＝-m+1,-m+2，…，0)。用t＝1,2，……,T的观测值做估计。令Yt代表时间t内获得的观测值的向量，则有
Yt＝(yt,yt-1,…,y0,…,y-m+1,x′t,…,x′1,x′0,…x′m+1)′。
假设vt～i.i.d N(0,1)，即vt服从于独立同分布过程，那么yt|t-1～N(x′t,β,ht)，因此
其中，δ＝(ξ,β1,…,βm)′,
将所有要估计的参数组成一个向量θ：θ＝(β′,δ′)′，因此前m个对数条件似然函数是：
将(12)式对θ求导数，这里可以采取先将(10)式对θ求导，再求和的方式进行，所以得出：
用(14)式可以通过求最大最小极值方法求出参数θ，因此情绪波动模型里的参数均能求出，条件方差也能从(10)式中求出。
S5、对被测人员进行PAD情绪量表问卷调查，将填写问卷所得到的结果经过PAD模型分类训练后得到情绪样本，并对情绪样本中的情绪状态进行标注，随后对情绪样本进行监督学习训练。采用监督学习方法中常用的人工神经网络来对情绪样本进行学习，然后对训练样本集外的数据进行标记、分类预测。
S6、通过情绪状态序列集及情绪波动模型的分析结果，并结合情绪样本的监督学习训练结果，完成对未来的情绪波动和情绪质量的预测。通过长时间的数据累计以及数据分析比较，由体征采集设备测量获得的情绪状态序列集和情绪波动模型计算出来的情绪差异较小，两种方式有效的结合可以更加准确的观测到情绪的波动情况以及预测未来的情绪波动。
本发明中的基于有限状态机的情绪波动模型可以与现有的情绪识别方法相配合，实现主客观两方面的融合，从而突破了单一情感生理信号与情感之间的关系以及仅考虑客观因素的研究局限。本发明可以根据需要制定个人情绪波动模型，以预防和避免坏情绪所带来的副作用。本发明中所使用到的有限状态机还能够将情绪进行更为细致的分类，实现对细微情绪更精确的描述。
同时，本发明的方案将通过体征采集设备(皮肤电和心率传感器)得到的情感状态序列以及情绪波动分析出来的情感状态序列进行了有效的结合，从而更加准确地观测到了情绪的波动情况并实现了对未来情绪波动的预测。
此外，本发明也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于同领域内其他情绪波动模型分析及情绪预测的技术方案中，具有十分广阔的应用前景。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于有限状态机的情绪波动模型分析方法，其特征在于：包括如下步骤：
S1、使用体征采集设备采集被测人员的生理数据，将所获得的生理数据实时上传，并进行特征提取；
S2、将提取到的特征用支持向量机分类器进行情绪分类识别，得到每个时间段内的情绪；
S3、通过有限状态机描述情感状态转移过程，构建状态序列，并对状态序列进行估计；
S4、对被测人员进行心理情绪问卷调查，得到被测人员的心理情绪年龄，通过计算得到情感状态序列集；
S5、对被测人员进行PAD情绪量表问卷调查，将填写问卷所得到的结果经过PAD模型分类训练后得到情绪样本，并对情绪样本中的情绪状态进行标注，随后对情绪样本进行监督学习训练；
S6、通过情绪状态序列集及情绪波动模型的分析结果，并结合情绪样本的监督学习训练结果，完成对未来的情绪波动和情绪质量的预测。
2.根据权利要求1所述的基于有限状态机的情绪波动模型分析方法，其特征在于：所述体征采集设备包括皮肤电传感器和心率传感器。
3.根据权利要求1所述的基于有限状态机的情绪波动模型分析方法，其特征在于：S3中所述情感状态转移过程包括情绪状态的初始直至情绪状态的终止。
4.根据权利要求1所述的基于有限状态机的情绪波动模型分析方法，其特征在于，S3中所述构建状态序列，并对状态序列进行估计，具体包括如下步骤：
S31、引入I、S和M的有限状态机三元组，其中，
I表示输入外界刺激（）的有限非空集，
S表示个体的情绪状态（）的有限非空集，
M表示为乘积空间I*S上的一个模糊子集，称为从I到S的模糊关系；
S32、将情绪状态分为高兴、生气、惊讶、厌恶、恐惧、平静和悲伤七种，且将每种情绪状态按照程度再细分为轻微、一般和非常三种；
S33、选择外界刺激时间长度以及自身心理素质作为输入集，对于有限状态转移规则集，引入强度因子K, 所述K的大小与外界刺激强度以及自身心理素质相关，所述K的取值范围在0到1内。
5.根据权利要求1所述的基于有限状态机的情绪波动模型分析方法，其特征在于，S4中所述通过计算得到情感状态序列集，具体包括如下步骤：
S41、依据计算公式，情商=（心理情绪年龄/实际年龄）*100%，计算情商；
S42、将情商及得到的心理情绪年龄应用到联合公式中，得到情绪波动模型
，
其中，c为一个常数，c0，表示第p时刻的情绪对当前情绪影响的程度，为白噪声过程，设是考虑到个人对待各种波动的自我反击应变能力、是一个与时间有关的变量,即随时间的变化而变化，和 ……,,呈线性相关；
S43、求解情绪波动模型中的各项参数及条件方差，随后通过有限状态机描述得到另一组情感状态序列，汇总得到情感状态序列集。
6.根据权利要求1所述的基于有限状态机的情绪波动模型分析方法，其特征在于，S5中所述监督学习训练，包括如下步骤：采用监督学习方法中的人工神经网络来对情绪样本进行学习，然后对训练样本集外的数据进行标记、分类预测。
CN201811181916.6A 2018-10-11 2018-10-11 基于有限状态机的情绪波动模型分析方法 Active CN109472290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811181916.6A CN109472290B (zh) 2018-10-11 2018-10-11 基于有限状态机的情绪波动模型分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811181916.6A CN109472290B (zh) 2018-10-11 2018-10-11 基于有限状态机的情绪波动模型分析方法

Publications (2)

Publication Number Publication Date
CN109472290A true CN109472290A (zh) 2019-03-15
CN109472290B CN109472290B (zh) 2022-10-14

Family

ID=65663369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811181916.6A Active CN109472290B (zh) 2018-10-11 2018-10-11 基于有限状态机的情绪波动模型分析方法

Country Status (1)

Country Link
CN (1) CN109472290B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147432A (zh) * 2019-05-07 2019-08-20 大连理工大学 一种基于有限状态自动机的决策搜索引擎实现方法
CN111723867A (zh) * 2020-06-22 2020-09-29 山东大学 一种网络游戏迷恋度智能评估***及方法
CN112263252A (zh) * 2020-09-28 2021-01-26 贵州大学 基于hrv特征和三层svr的pad情绪维度预测方法
CN112618911A (zh) * 2020-12-31 2021-04-09 四川音乐学院 基于信号处理的音乐反馈调节***
CN114863636A (zh) * 2022-03-25 2022-08-05 吉林云帆智能工程有限公司 一种轨道车辆司机情绪识别算法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106419936A (zh) * 2016-09-06 2017-02-22 深圳欧德蒙科技有限公司 一种基于脉搏波时间序列分析的情绪分类方法及装置
CN107766898A (zh) * 2017-12-08 2018-03-06 南京邮电大学盐城大数据研究院有限公司 基于svm的三分类情绪概率判断方法
CN107944473A (zh) * 2017-11-06 2018-04-20 南京邮电大学 一种基于多分类器主客观融合的生理信号情感识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106419936A (zh) * 2016-09-06 2017-02-22 深圳欧德蒙科技有限公司 一种基于脉搏波时间序列分析的情绪分类方法及装置
CN107944473A (zh) * 2017-11-06 2018-04-20 南京邮电大学 一种基于多分类器主客观融合的生理信号情感识别方法
CN107766898A (zh) * 2017-12-08 2018-03-06 南京邮电大学盐城大数据研究院有限公司 基于svm的三分类情绪概率判断方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147432A (zh) * 2019-05-07 2019-08-20 大连理工大学 一种基于有限状态自动机的决策搜索引擎实现方法
CN110147432B (zh) * 2019-05-07 2023-04-07 大连理工大学 一种基于有限状态自动机的决策搜索引擎实现方法
CN111723867A (zh) * 2020-06-22 2020-09-29 山东大学 一种网络游戏迷恋度智能评估***及方法
CN112263252A (zh) * 2020-09-28 2021-01-26 贵州大学 基于hrv特征和三层svr的pad情绪维度预测方法
CN112263252B (zh) * 2020-09-28 2024-05-03 贵州大学 基于hrv特征和三层svr的pad情绪维度预测方法
CN112618911A (zh) * 2020-12-31 2021-04-09 四川音乐学院 基于信号处理的音乐反馈调节***
CN112618911B (zh) * 2020-12-31 2023-02-03 四川音乐学院 基于信号处理的音乐反馈调节***
CN114863636A (zh) * 2022-03-25 2022-08-05 吉林云帆智能工程有限公司 一种轨道车辆司机情绪识别算法

Also Published As

Publication number Publication date
CN109472290B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN109472290A (zh) 基于有限状态机的情绪波动模型分析方法
Bhattacharya et al. Step: Spatial temporal graph convolutional networks for emotion perception from gaits
Lotfian et al. Curriculum learning for speech emotion recognition from crowdsourced labels
Aracena et al. Neural networks for emotion recognition based on eye tracking data
JP6977901B2 (ja) 学習材推薦方法、学習材推薦装置および学習材推薦プログラム
JP5520886B2 (ja) 行動モデル学習装置、方法、及びプログラム
CN107153812A (zh) 一种基于机器视觉的运动辅助方法及***
O’Toole et al. A perceptual learning theory of the information in faces
KR101855168B1 (ko) 딥러닝 기반의 감성 분류 장치 및 그 방법
CN110298303B (zh) 一种基于长短时记忆网络扫视路径学习的人群识别方法
US20190216334A1 (en) Emotion representative image to derive health rating
CN113408852B (zh) 基于在线学习行为和深度神经网络的元认知能力评估模型
CN115422973A (zh) 一种基于注意力的时空网络的脑电情绪识别方法
CN110147822B (zh) 一种基于人脸动作单元检测的情绪指数计算方法
Shayestegan et al. Motion tracking in diagnosis: Gait disorders classification with a dual-head attentional transformer-LSTM
Zheng et al. A data-driven emotion model for english learners based on machine learning
Dapogny et al. On Automatically Assessing Children's Facial Expressions Quality: A Study, Database, and Protocol
CN112464774A (zh) 一种基于眼动测量的视频学习中的情感识别方法
Li et al. ELM-based classification of ADHD patients using a novel local feature extraction method
Ahmadieh et al. Visual image reconstruction based on EEG signals using a generative adversarial and deep fuzzy neural network
Liliana et al. The fuzzy emotion recognition framework using semantic-linguistic facial features
CN112396114A (zh) 一种测评***、测评方法及相关产品
Gupta et al. A machine learning-based decision support system for temporal human cognitive state estimation during online education using wearable physiological monitoring devices
Xue et al. Artificial intelligence applied to multisensory studies of textile products
Anbusegaran Unobtrusive Assessment Of Student Engagement Levels In Online Classroom Environment Using Emotion Analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant