梦境情绪识别方法、装置、电子设备及可读存储介质与流程

1.本发明涉及计算机技术领域，尤其是一种梦境情绪识别方法、装置、电子设备及可读存储介质。


背景技术：

2.情绪是人对外界事物产生的心理和生理反应。准确地识别情绪在人机交互研究中占据着重要位置。现有的梦境情绪识别方案，一是将眼动电波图测量技术、肌电描记术和红外探测器相结合，间接地测量人体在睡眠时的体征状态，通过人体在睡眠时的体征状态的变化反映梦境情绪；二是使用多导睡眠监测系统(polysomnography，psg)监测睡眠，通过监测结果推断梦境情况。
3.上述两种方案中，方案一只能间接地测量人体在睡眠时的体征状态变化，获取的信息不全面，导致无法准确判断人在梦境的场景和情绪；方案二只能判别快速眼动期，通过快速眼动期来推断梦境的发生，并且由于psg只是设备，不是设备与算法集成的完整系统，无法准确判别梦境情绪。综上所述，现有的技术方案均无法做到对梦境情绪的准确、高效的直接判断，仅能通过侧面推断或者采样其他参数来进行反应，降低了对梦境进行分析的时效性与可靠性。


技术实现要素：

4.本发明提供了一种梦境情绪识别方法、装置、电子设备集可读存储介质，以解决无法对梦境情绪的准确、高效的直接判断的问题。
5.根据本发明的一方面，提供了一种梦境情绪识别方法，包括：
6.基于原始采集脑电信号进行特征提取，得到用于情绪识别的脑电能量特征和脑电非线性动力学特征；
7.将脑电能量特征和脑电非线性动力学特征输入至预先训练的情绪分类器中，获得情绪分类器输出的模型识别结果；
8.根据模型识别结果确定梦境情绪识别结果。
9.根据本发明的另一方面，提供了一种梦境情绪识别装置，包括：
10.识别参数获取模块，用于基于原始采集脑电信号进行特征提取，得到用于情绪识别的脑电能量特征和脑电非线性动力学特征；
11.情绪模型分类模块，用于将脑电能量特征和脑电非线性动力学特征输入至预先训练的情绪分类器中，获得情绪分类器输出的模型识别结果；
12.识别结果确定模块，用于根据模型识别结果确定梦境情绪识别结果。
13.根据本发明的另一方面，提供了一种电子设备，电子设备包括：
14.至少一个处理器；以及
15.与至少一个处理器通信连接的存储器；其中，
16.存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处
理器执行，以使至少一个处理器能够执行本发明任一实施例的梦境情绪识别方法。
17.根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的梦境情绪识别方法。
18.根据本发明的另一方面，提供了一种梦境情绪识别系统，包括脑机接口设备和终端，其中：
19.脑机接口设备，用于采集用于梦境情绪识别的原始采集脑电信号；
20.终端，用于执行本发明任意实施例所提供的梦境情绪识别方法。
21.本发明实施例提供的技术方案，通过基于原始采集脑电信号进行特征提取，得到用于情绪识别的脑电能量特征和脑电非线性动力学特征，将脑电能量特征和脑电非线性动力学特征输入至预先训练的情绪分类器中，获得情绪分类器输出的模型识别结果；根据模型识别结果确定梦境情绪识别结果，通过综合脑电能量特征和脑电非线性动力学特征进行梦境情绪的识别，获取梦境情绪直接关联的各方面的特征信息用于梦境情绪的识别，解决了现有技术中信息获取不全面导致的无法准确、高效的直接判断梦境情绪的问题，能够对梦境情绪准确、高效的直接判断，提高了对梦境分析的时效性与可靠性，同时，基于梦境情绪判断用户梦境状态，从而长期监测用户的健康状况。
22.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
23.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
24.构成说明书的一部分的附图描述了本发明的实施例，并且连同描述一起用于解释本发明的原理。
25.参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：
26.图1是本发明实施例一提供的一种梦境情绪识别方法的流程图；
27.图2是本发明实施例二提供的一种梦境情绪识别方法的流程图；
28.图3是本发明实施例三提供的一种梦境情绪识别系统的结构示意图；
29.图4是本发明实施例四提供的一种梦境情绪识别装置的结构示意图；
30.图5是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
31.现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
32.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
33.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
34.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适
当情况下，技术、方法和设备应当被视为说明书的一部分。
35.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
36.本发明实施例可以应用于计算机系统/服务器，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
37.计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
38.实施例一
39.图1为本发明实施例一提供的一种梦境情绪识别方法的流程图，本实施例可适用于监测用户睡眠状态下的梦境情绪来反映用户健康状态的情况，该方法可以由梦境情绪识别装置来执行，该梦境情绪识别装置可以采用硬件和/或软件的形式实现，该梦境情绪识别装置可配置于本发明实施例提供的电子设备，如便携式脑机接口设备、移动终端、服务器等设备中。如图1所示，该方法包括：
40.s110、基于原始采集脑电信号进行特征提取，得到用于情绪识别的脑电能量特征和脑电非线性动力学特征。
41.其中，原始采集脑电信号是指在睡眠状态下采集的原始脑电信号。本实施例中，使用脑电信号采集设备采集睡眠状态下的脑电信号作为原始采集脑电信号，基于原始采集脑电信号进行特征提取，分别得到原始采集脑电信号的脑电能量特征和脑电非线性动力学特征。其中，脑电信号采集设备用于采集用户的脑电信号，可选的，脑电信号采集设备可以是便携式脑机接口(brain computer interface，bci)设备，脑机bci设备包括电极，包括的电极有干电极、湿电极、干湿电极等，可以采用任意电机的脑机bci设备进行脑电信号的采集。
42.示例性的，由于脑电信号情绪特征主要由前额叶反应，将电极左右对称分布于前额叶进行脑电信号的采集，使得采集到的脑电信号具有较高的采样率，能够满足对脑电信号的精确刻画、去噪、滤波、放大、编码和传输。
43.一个实现方式中，bci设备的电极配置可以如下所示：
44.(1)将阻抗大小调节为小于30千欧，采用金杯电极；
45.(2)将电极分布设置为前额叶和耳垂点位，设置使其能够采集头皮脑电信号频率范围0hz到50hz，伏值为0.5uv到100uv；
46.(3)设置采样率为200hz，点位参照国际10-20系统。
47.(4)采集时间优选设置为整晚睡眠时间，用户静止平躺，保持头部和身体尽量不晃动，处于闭眼状态；全程保持环境温度和噪声在正常适宜水平。
48.其中，脑电能量特征是指对原始采集脑电信号进行功率谱密度分析计算提取得到
的能量特征，脑电非线性动力学特征是指对原始采集脑电信号进行微分熵计算提取得到的非线性动力学特征。
49.在上述实施例的基础上，可选的，基于原始采集脑电信号进行特征提取，得到用于情绪识别的脑电能量特征和脑电非线性动力学特征，包括：
50.对原始采集脑电信号进行分帧处理，得到多个脑电信号分帧；基于脑电信号分帧，提取脑电能量特征和脑电非线性动力学特征。
51.在本实施例中，为了提高特征提取的准确性，基于设定分帧长度将原始采集脑电信号进行分帧得到脑电信号分帧；在此基础上，为了避免脑电信号中的体动、环境噪声、瞬时噪声对特征提取的影响，进一步基于设定切割长度对脑电信号分帧进行切割，得到多个脑电信号片段。在进行特征提取时，分别计算每个脑电信号片段的脑电能量特征和脑电非线性动力学特征，基于每个脑电信号片段的特征计算得到原始采集脑电信号的脑电能量特征和脑电非线性动力学特征。通过对多个脑电信号片段的特征提取计算脑电能量特征和脑电非线性动力学特征，能够将瞬时噪声影响下降至对其中部分脑电信号片段的影响，使得其他脑电信号片段进行特征提取时不会收到瞬时噪声的影响，从而降低了瞬时噪声对特征提取的影响，提升特征提取的鲁棒性。
52.其中，脑电信号分帧是指原始采集脑电信号经过分帧切割处理后得到的脑电信号的片段。可选的，可以对原始采集脑电信号按照设定分帧长度进行分帧，对每帧按照设定切割长度进行切割，得到脑电信号片段，然后对每个脑电信号片段进行特征提取，得到每个脑电波信号片段的脑电能量特征和脑电非线性动力学特征，然后基于每个脑电信号片段的脑电能量特征得到脑电信号分帧的脑电能量特征，基于每个脑电信号分帧的脑电能量特征得到用于情绪识别的脑电能量特征，基于每个脑电信号片段的脑电非线性动力学特征，得到脑电信号分帧的脑电非线性动力学特征，基于每个脑电信号分帧的脑电非线性动力学特征得到用于情绪识别的脑电非线性动力学特征。其中，设定分帧长度和设定切割长度可以根据本领域技术人员的经验设置，也可以根据历史原始采集脑电信号的特征提取记录选择，这里不做限定。示例性的，可以设置设定分帧长度为10秒，设置设定切割长度为2秒，也就是说，对原始采集脑电信号按照10s的长度进行分帧，得到多个10s的脑电信号分帧；在此基础上为了避免瞬时噪声对特征提取的影响，对每个脑电信号分帧按照2s的步长进行切割，得到5个脑电信号片段，并通过对每个脑电信号片段进行特征提取得到对应的脑电能量特征和脑电非线性动力学特征，实现用于情绪识别的脑电能量特征和脑电非线性动力学特征。
53.在一个可选示例中，基于原始采集脑电信号进行特征提取，得到用于情绪识别的脑电能量特征和脑电非线性动力学特征，包括：提取原始采集脑电信号中的目标梦境脑电信号；对目标梦境脑电信号进行特征提取，得到脑电能量特征和脑电非线性动力学特征。为了实现对梦境情绪的准确判断，可以先从原始采集脑电信号中提取出目标梦境脑电信号，然后对目标梦境脑电信号进行特征提取，得到用于梦境情绪识别的脑电能量特征和脑电非线性动力学特征。其中，从原始采集脑电信号中提取目标梦境脑电信号可以通过时间提取、波形特征提取、模型提取、独立成分分析等方式实现。
54.可选的，提取原始采集脑电信号中的目标梦境脑电信号，包括：根据原始采集脑电信号的波形特征，选取原始采集脑电信号中的目标梦境脑电信号。可以根据梦境信号的波形特征，和原始采集脑电信号的波形特征进行匹配，将波形特征匹配的原始采集脑电信号
片段作为目标梦境脑电信号。
55.在上述实施例的基础上，可选的，基于脑电信号分帧，提取脑电能量特征，包括：根据第一设定步长对各脑电信号分帧进行频率分段，得到各脑电信号分帧分别对应的多个能量提取频率片段；针对每个脑电信号分帧，通过快速傅里叶变换对脑电信号分帧对应的各能量提取频率片段进行功率谱密度分析，得到各能量提取频率片段分别对应的功率谱密度分析结果；基于各能量提取频率片段分别对应的功率谱密度分析结果，确定各能量提取频率片段分别对应的片段能量特征；根据各能量提取频率片段分别对应的片段能量特征，确定脑电信号分帧的分帧能量特征；将各脑电信号分帧分别对应的分帧能量特征，作为脑电能量特征。
56.在本实施例中，可以通过第一设定步长将每个脑电信号分帧分段为对应的多个能量提取频率片段，分别对每个能量提取频率片段进行能量特征的提取，然后根据提取得到的多个能量提取频率片段的片段能量特征确定脑电信号分帧的分帧能量特征，最后基于各脑电信号分帧的分帧能量特征确定用于情绪识别的脑电能量特征。其中，第一设定步长是指对脑电信号分帧进行频率分段的步长，第一设定步长可以根据需求设置，在此不做限制。示例性的，在睡眠状态下，脑电信号的主要活动频率集中在0-20hz，可以将第一设定步长设置为0.5hz，以0.5hz为第一设定步长对脑电信号分帧进行频率分段，得到40个能量提取频率片段。
57.其中，片段能量特征是指脑电信号分帧中的能量提取频率片段的能量特征。分帧能量特征是指根据分帧对应的各能量提取频率片段的片段能量特征确定的能量特征，可选的，可以计算各片段能量特征的特征值作为分帧能量特征。本实施例中，先确定每个脑电信号分帧的分帧能量特征，具体的，针对每个脑电信号分帧对应的各能量提取频率片段，通过快速傅里叶变换对各能量提取频率片段进行功率谱密度分析，使用汉明窗对各能量提取频率片段进行解析，基于各能量提取频率片段的功率谱密度分析结果确定各能量提取频率片段的片段能量特征，基于各片段能量特征确定脑电信号分帧的分帧能量特征。确定每个脑电信号分帧的分帧能量特征后，可以将各分帧能量特征进行压缩编码作为脑电能量特征。
58.其中，基于各片段能量特征确定脑电信号分帧的分帧能量特征可以为，将各片段能量特征的特征值作为分帧能量特征。可选的，片段能量特征的特征值可以为片段能量特征均值、方差、分位数值等，在此不做限定。
59.可选的，根据各能量提取频率片段分别对应的片段能量特征，确定脑电信号分帧的分帧能量特征，包括：将各片段能量特征的中值作为分帧能量特征。可以将各能量提取频率片段的片段能量特征的中值作为分帧能量特征，将片段能量特征的中值作为分帧能量特征，使得分帧能量特征更符合片段能量特征的特征分布，使得分帧能量特征的特征值更加准确。
60.示例性的，使用快速傅里叶变换对脑电信号分帧的每个能量提取频率片段进行功率谱密度分析，按照50％重叠，使用128长度的汉明窗(hamming)对信号进行解析，提取每帧脑电信号分帧中每个能量提取频率片段的片段能量特征的中值作为该帧脑电信号分帧的分帧能量特征，对各脑电信号分帧的分帧能量特征进行压缩编码，生成用于情绪识别的脑电能量特征。其中，功率谱密度是对随机变量均方值的量度，是单位频率的平均功率量纲。对功率谱在频域上积分就可以得到信号的平均功率。对原始信号(能量提取频率片段)x(t)
求能量可定义为：
[0061][0062]
对能量函数求导，可以得到信号的t0时刻瞬时功率：
[0063][0064]
其中，t0表示t0时刻，x
t0
表示原始信号能量提取频率片段在t0时刻的能量，p
xt0
表示脑电信号在t0时刻的的功率，∫为积分符号，∞表示无穷大，dt表示对函数式中的t进行积分。
[0065]
在上述实施例的基础上，可选的，基于脑电信号分帧，提取脑电信号分帧的脑电非线性动力学特征，包括：
[0066]
根据第二设定步长对各脑电信号分帧进行频率分段，得到各脑电信号分帧分别对应的多个动力学提取频率片段；针对每个脑电信号分帧，确定脑电信号分帧对应的各动力学提取频率片段分别对应的片段非线性动力学特征；根据各动力学提取频率片段分别对应的片段非线性动力学特征确定脑电信号分帧的分帧非线性动力学特征；将各脑电信号分帧分别对应的分帧非线性动力学特征作为脑电非线性动力学特征。
[0067]
在本实施例中，可以通过第二设定步长将每个脑电信号分帧分段为对应的多个动力学提取频率片段，分别对每个动力学提取频率片段进行动力学特征的提取，基于提取得到的多个动力学提取频率片段的片段非线性动力学特征确定脑电信号分帧的分帧非线性动力学特征，最后基于各脑电信号分帧的分帧非线性动力学特征确定用于情绪识别的脑电非线性动力学特征。其中，第二设定步长是指对脑电信号分帧进行频率分段的步长，第二设定步长可以根据需求设置，在此不做限制。示例性的，在睡眠状态下，脑电信号的主要活动频率集中在0-20hz，可以将第二设定步长设置为0.5hz，以0.5hz作为第二设定步长对脑电信号分帧进行频率分段，得到40个动力学提取频率片段。
[0068]
其中，片段非线性动力学特征是指脑电信号分帧中的动力学提取频率片段的非线性动力学特征。分帧非线性动力学特征是指根据脑电信号分帧中各动力学提取频率片段的片段非线性动力学特征确定的非线性动力学特征。可选的，可以将各片段非线性动力学特征的特征值作为分帧非线性动力学特征，如将各片段非线性动力学特征的均值、方差、分位数值等作为分帧非线性动力学特征。本实施例中，先确定每个脑电信号分帧的分帧非线性动力学特征，具体的，针对每个脑电信号分帧对应的动力学提取频率片段，根据动力学特征提取频率片段的微分熵确定动力学特征提取频率片段的片段非线性动力学特征，然后基于各片段非线性动力学特征确定脑电信号分帧的分帧非线性动力学特征。确定每个脑电信号分帧的分帧非线性动力学特征后，可以将各脑电信号分帧的分帧非线性动力学特征进行压缩编码，作为用于情绪识别的脑电非线性动力学特征。
[0069]
可选的，根据各动力学提取频率片段分别对应的片段非线性动力学特征确定脑电信号分帧的分帧非线性动力学特征，包括：将各片段非线性动力学特征的中值作为分帧非线性动力学特征。可以将各片段非线性动力学特征的中值作为分帧非线性动力学特征，将
片段非线性动力学特征的中值作为分帧非线性动力学特征，使得分帧非线性动力学特征更符合片段非线性动力学特征的特征分布，使得分帧非线性动力学特征的特征值更加准确。
[0070]
示例性的，可以通过计算脑电信号分帧的每个能量提取频率片段的微分熵(differential entropy，de)，提取脑电信号分帧中动力学提取频率片段的片段非线性动力学特征的中值作为该帧脑电信号分帧的分帧非线性动力学特征，对各脑电信号分帧的分帧非线性动力学特征进行压缩编码，生成情绪识别脑电非线性动力学特征。需要说明的是，对于固定长度的脑电图段，微分熵等价于一定频段内的对数能谱，因此，de可以计算不同频段的复杂度。
[0071]
其中，微分熵是信号复杂度的度量：
[0072][0073]
如果一个随机变量服从高斯分布n(μ,σ2)，则微分熵可以用以下公式计算：
[0074][0075]
其中，h(x)表示微分熵，f(x)是连续信息的概率密度函数，x表示脑电信号，exp表示以自然常数e为底的指数函数，log表示对数函数，π表示圆周率，μ表示脑电信号服从的高斯分布中的数学期望，σ2表示脑电信号服从的高斯分布中的方差,∫为积分符号，∞表示无穷大，dx表示对函数式中的x进行积分。
[0076]
s120、将脑电能量特征和脑电非线性动力学特征输入至预先训练的情绪分类器中，获得情绪分类器输出的模型识别结果。
[0077]
在本实施例中，情绪分类器是基于获取情绪分类训练样本预先训练的分类器，可选的，可以基于lightgbm算法模型构建情绪分类器，对此不做限定。本实施例中，基于脑电能量特征和脑电非线性动力学特征混合编码生成情绪识别特征，将生成的情绪识别特征作为输入，输入至预先训练的情绪分类器中，对用户的情绪进行分类标注，得到情绪分类器输出的模型识别结果。可选的，模型识别结果可以为每个情绪类别的概率，或预测情绪类别。其中，情绪类别可以为是快乐、悲伤、平淡等情绪类别，对此不做限定。
[0078]
s130、根据模型识别结果确定梦境情绪识别结果。
[0079]
本实施例中，模型识别结果可以理解为情绪分类器的输出，如上述实施例所提供的每个情绪类别的概率，或预测的情绪类别；梦境情绪识别结果可以为预测的梦境的情绪类别，该情绪类别对应的梦境时长等。
[0080]
可选的，当模型识别结果为每个情绪类别的概率时，可以将概率最大的情绪类别作为预测的梦境的情绪类别，即作为梦境情绪识别结果，将该情绪类别对应的脑电信号时长作为梦境时长。当模型识别结果为预测的情绪类别时，可以直接将预测的情绪类别作为梦境情绪识别结果，将该情绪类别对应的脑电信号时长作为梦境时长。
[0081]
进一步，还可以根据梦境情绪识别结果生成梦境情绪展示信息。其中，可以根据情绪分类器输出的梦境情绪、场景模型相关数据、特征信息等，自动生成梦境情绪展示信息并反馈给用户。梦境情绪展示信息可以包括梦境情绪、梦境时长等。
[0082]
本实施例的技术方案，通过对原始采集脑电信号的脑电能量特征和脑电非线性动
力学特征进行识别，得到情绪识别结果，通过获取梦境情绪直接关联的各方面的特征信息用于梦境情绪的识别，解决了现有技术中信息获取不全面导致的无法准确、高效的直接判断梦境情绪的问题，能够对梦境情绪准确、高效的直接判断，提高了对梦境分析的时效性与可靠性，同时，基于梦境情绪判断用户梦境状态，从而长期监测用户的健康状况。
[0083]
在上述实施例的基础上，本发明还提供了一种情绪分析系统，主要功能包括：连接设备、采集人体脑电信号、保存脑电信号数据、删除睡眠脑电数据、查看历史睡眠脑电数据。
[0084]
系统详细的模块信息如表1所示：
[0085]
表1
[0086][0087][0088]
情绪分析系统包括两大模块：主模块与支撑类模块，主模块包括数据展示模块与数据分析模块，数据展示模块与脑电信号采集设备连接，脑电信号采集设备采集原始采集脑电信号，并将原始采集脑电信号发送至数据展示模块，数据展示模块接收并在数据展示模块的脑电信号展示页面中展示。数据分析模块与数据展示模块以及梦境报告子系统连接，数据展示模块在展示原始采集脑电信号的同时将原始采集脑电信号发送至数据分析模块，数据分析模块接收并基于上述任意实施例的情绪识别方法对该原始采集脑电信号进行识别与判断，得到模型识别结果并发送至梦境报告子系统，梦境报告子系统接收并基于模型识别结果自动生成报告，最后由梦境报告子系统将报告反馈给用户。支撑类模块包括用户管理模块，用于实现对软件操作用户的创建、编辑等。
[0089]
实施例二
[0090]
图2为本发明实施例二提供的一种梦境情绪识别方法的流程图，本实施例在上述实施例的基础上增加了情绪分类器的训练步骤。如图2所示，该方法包括：
[0091]
s210、获取情绪分类训练样本。
[0092]
在本实施例中，情绪分类训练样本包括样本梦境脑电信号和样本梦境脑电信号的标记信息，样本梦境脑电信号的标记信息为样本梦境脑电信号对应的梦境情绪类别。
[0093]
可以人工对样本梦境脑电信号进行标记梦境情绪类别，得到样本梦境脑电信号以及样本梦境脑电信号的标记信息。大量的样本梦境脑电信号以及样本梦境脑电信号的标记信息构成情绪分类训练样本。
[0094]
s220、基于情绪分类训练样本对预先构建的初始分类器进行训练，得到训练好的
情绪分类器。
[0095]
s230、基于原始采集脑电信号进行特征提取，得到用于情绪识别的脑电能量特征和脑电非线性动力学特征。
[0096]
s240、将脑电能量特征和脑电非线性动力学特征输入至预先训练的情绪分类器中，获得情绪分类器输出的模型识别结果。
[0097]
s250、根据模型识别结果确定梦境情绪识别结果。
[0098]
其中，情绪分类训练样本可以理解为训练初始分类器所用的数据集，该数据集包括训练集与测试集，可选的，将该数据集的中80％的数据作为训练集，剩余20％的数据为测试集，对此不做限定。本实施例中，对样本脑电信号的样本脑电能量特征和样本脑电非线性动力学特征进行联合编码，将其作为n维情绪识别特征向量构建初始分类器，获取情绪分类训练样本，基于情绪分类训练样本对构建的初始分类器进行训练，得到训练后的情绪分类器。其中，样本脑电信号的样本脑电能量特征和样本脑电非线性动力学特征的提取方式可以参照上述实施例中原始采集脑电信号的脑电能量特征和脑电非线性动力学特征的提取方式，在此不再赘述。可选的，使用贝叶斯优化器对分类器参数进行调整，使用5折交叉验证的方法验证分类器的性能。
[0099]
示例性的，以lightgbm算法模型为例构建情绪分类器，lightgbm将每个特征构造为直方图，根据直方图的离散值，遍历寻找最优的分割点。该lightgbm模型有以下优点：
[0100]
1.使用直方图做差加速。叶子的直方图可以由它的父亲节点的直方图与它兄弟的直方图做差得到，在速度上可以提升一倍；
[0101]
2.使用单边梯度抽样算法(gradient-based one-side sampling)排除大部分权重小的样本，根据样本的权重信息对样本进行抽样，减少了大量梯度小的样本，但是还能不会过多的改变数据集的分布。
[0102]
3.使用互斥特征捆绑算法将不完全互斥的两个特征捆绑减少特征的维数，从而提升算法的速度；
[0103]
4.采用带有深度限制的按叶子生长(leaf-wise)算法，在分裂次数相同的情况下，leaf-wise可以降低更多的误差，得到更好的精度，且避免了过拟合现象；
[0104]
5.使用贝叶斯优化器对最优参数进行查询，对学习率、决策树深度、叶子节点数等参数进行调优，构建最佳分类器。
[0105]
需要说明的是，本实施例中的步骤210与步骤220可以在步骤230之前执行，也可以与步骤230同时执行，对此不做限定。
[0106]
本实施例的技术方案，通过预先训练情绪分类器，能够简化识别原始采集脑电信号的过程，提高梦境情绪识别的效率。
[0107]
实施例三
[0108]
图3是本发明实施例三提供的一种梦境情绪识别系统的结构示意图。
[0109]
如图3所示，梦境情绪识别系统包括脑机接口设备310和终端320，其中：
[0110]
脑机接口设备310，用于采集用于梦境情绪识别的原始采集脑电信号；
[0111]
终端320，用于执行本发明任意实施例所提供的梦境情绪识别方法，基于脑机接口设备采集的原始采集脑电信号进行梦境情绪分类，得到梦境情绪类别。
[0112]
在本实施例中，脑机接口设备为实体设备，终端中配置处理器，用于根据原始采集
脑电信号进行梦境情绪分类。可选的，终端可以与脑机接口设备为同一设备，还可以为其他设备，如移动终端(手机、笔记本电脑等)、服务器等，在此不做限定。
[0113]
以终端为手机为例，手机可以与脑机接口设备通过无线连接方式(如蓝牙)连接，脑机接口设备采集原始采集脑电信号后，将原始采集脑电信号通过无线连接发送至手机，然后手机对原始采集脑电信号进行处理，得到梦境情绪类别。其中，手机对原始采集脑电信号进行处理，得到梦境情绪类别的方式可以参考上述实施例，在此不再赘述。
[0114]
本实施例的技术方案，通过脑电接口设备采集原始采集脑电信号，终端提取原始采集脑电信号的脑电能量特征和脑电非线性动力学特征进行识别，得到情绪识别结果，通过获取梦境情绪直接关联的各方面的特征信息用于梦境情绪的识别，解决了现有技术中信息获取不全面导致的无法准确、高效的直接判断梦境情绪的问题，能够对梦境情绪准确、高效的直接判断，提高了对梦境分析的时效性与可靠性，同时，基于梦境情绪判断用户梦境状态，从而长期监测用户的健康状况。
[0115]
实施例四
[0116]
图4为本发明实施例四提供的一种梦境情绪识别装置的结构示意图。如图4所示，该装置包括：
[0117]
识别参数获取模块410，用于基于原始采集脑电信号进行特征提取，得到用于情绪识别的脑电能量特征和脑电非线性动力学特征。
[0118]
情绪模型分类模块420，用于将脑电能量特征和脑电非线性动力学特征输入至预先训练的情绪分类器中，获得情绪分类器输出的模型识别结果。
[0119]
识别结果确定模块430，用于根据模型识别结果确定梦境情绪识别结果。
[0120]
本实施例的技术方案，通过提取原始采集脑电信号的脑电能量特征和脑电非线性动力学特征进行识别，得到情绪识别结果，通过获取梦境情绪直接关联的各方面的特征信息用于梦境情绪的识别，解决了现有技术中信息获取不全面导致的无法准确、高效的直接判断梦境情绪的问题，能够对梦境情绪准确、高效的直接判断，提高了对梦境分析的时效性与可靠性，同时，基于梦境情绪判断用户梦境状态，实现对用户健康状况的有效监测。
[0121]
可选的，识别参数获取模块410包括：
[0122]
脑电信号分帧单元，用于对原始采集脑电信号进行分帧处理，得到多个脑电信号分帧。
[0123]
特征提取单元，用于基于脑电信号分帧，提取脑电能量特征和脑电非线性动力学特征。
[0124]
可选的，识别参数获取模块410包括脑电能量特征提取单元，用于：
[0125]
根据第一设定步长对各脑电信号分帧进行频率分段，得到各脑电信号分帧分别对应的多个能量提取频率片段；
[0126]
针对每个脑电信号分帧，通过快速傅里叶变换对脑电信号分帧对应的各能量提取频率片段进行功率谱密度分析，得到各能量提取频率片段分别对应的功率谱密度分析结果；
[0127]
基于各能量提取频率片段分别对应的功率谱密度分析结果，确定各能量提取频率片段分别对应的片段能量特征；
[0128]
根据各能量提取频率片段分别对应的片段能量特征，确定脑电信号分帧的分帧能
量特征；
[0129]
将各脑电信号分帧分别对应的分帧能量特征，作为脑电能量特征。
[0130]
可选的，脑电能量特征提取单元具体用于：
[0131]
将各片段能量特征的中值作为分帧能量特征。
[0132]
可选的，识别参数获取模块410包括脑电非线性动力学特征提取单元，用于：
[0133]
根据第二设定步长对各脑电信号分帧进行频率分段，得到各脑电信号分帧分别对应的多个动力学提取频率片段；
[0134]
针对每个脑电信号分帧，确定脑电信号分帧对应的各动力学提取频率片段分别对应的片段非线性动力学特征；
[0135]
根据各动力学提取频率片段分别对应的片段非线性动力学特征确定脑电信号分帧的分帧非线性动力学特征；
[0136]
将各脑电信号分帧分别对应的分帧非线性动力学特征作为脑电非线性动力学特征。
[0137]
可选的，脑电非线性动力学特征提取单元具体用于：
[0138]
将各片段非线性动力学特征的中值作为分帧非线性动力学特征。
[0139]
可选的，识别参数获取模块410具体用于：
[0140]
提取原始采集脑电信号中的目标梦境脑电信号；
[0141]
对目标梦境脑电信号进行特征提取，得到脑电能量特征和脑电非线性动力学特征。
[0142]
可选的，识别参数获取模块410具体用于：
[0143]
根据原始采集脑电信号的波形特征，选取原始采集脑电信号中的目标梦境脑电信号。
[0144]
可选的，该装置还包括情绪分类器训练模块，用于：
[0145]
获取情绪分类训练样本，其中，情绪分类训练样本包括样本梦境脑电信号和样本梦境脑电信号的标记信息，样本梦境脑电信号的标记信息为样本梦境脑电信号对应的梦境情绪类别；
[0146]
基于情绪分类训练样本对预先构建的初始分类器进行训练，得到训练后的情绪分类器。
[0147]
本发明实施例所提供的梦境情绪识别装置可执行本发明任意实施例所提供的梦境情绪识别方法，具备执行方法相应的功能模块和有益效果。
[0148]
实施例五
[0149]
图5是本发明实施例五提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。需要说明的是，本发明实施例提供的梦境情绪识别方法中对原始采集脑电信号的情绪识别和对情绪分类器的训练为独立的操作，上述两个方法可以在同一电子设备执行，也可以在不同的电子设备执行。
[0150]
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0151]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0152]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如梦境情绪识别方法。
[0153]
在一些实施例中，梦境情绪识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的梦境情绪识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行梦境情绪识别方法。
[0154]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0155]
用于实施本发明的梦境情绪识别方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0156]
实施例六
[0157]
本发明实施例六还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行本发明实施例提供的梦境情绪识别方法，该方法包括：
[0158]
基于原始采集脑电信号进行特征提取，得到用于情绪识别的脑电能量特征和脑电非线性动力学特征；
[0159]
将脑电能量特征和脑电非线性动力学特征输入至预先训练的情绪分类器中，获得情绪分类器输出的模型识别结果；
[0160]
根据模型识别结果确定梦境情绪识别结果。
[0161]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0162]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0163]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0164]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0165]
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0166]
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括
用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
[0167]
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。