首页 / 专利库 / 电脑零配件 / 计算机系统 / 软件 / 应用软件 / 可联网软件 / 基于网络的游戏 / 一种基于脑电波的用于游戏评估的情感识别方法

一种基于脑电波的用于游戏评估的情感识别方法

阅读:474发布:2020-05-13

专利汇可以提供一种基于脑电波的用于游戏评估的情感识别方法专利检索,专利查询,专利分析的服务。并且本 发明 提出了一种基于脑电波的用于游戏评估的 情感识别 方法。所述方法包括以下步骤:采用emotivepoc+设备进行脑电 波数 据的采集;使用改进的循环自进化模糊神经网络模型对部分脑电波数据即训练集进行训练;通过训练好的改进的循环自进化模糊神经网络模型对另外的脑电波数据即测试集进行测试。emotivepoc+设备能够采集人脑中的脑电波数值数据。改进的循环自进化模糊神经网络模型是一种神经网络模型,以脑电波数据作为输入,以玩家的情感状态类别作为输出。本发明采用脑电波数据进行情感识别,玩家在游戏中的情感无法被伪造,可以得到在游戏过程中的真实情感,具有较高的情感识别准确率。,下面是一种基于脑电波的用于游戏评估的情感识别方法专利的具体信息内容。

1.一种基于脑电波的用于游戏评估的情感识别方法,其特征在于,包括以下步骤:
S1、采用emotivepoc+设备进行脑电波数据的采集;
S2、使用改进的循环自进化模糊神经网络模型对部分脑电波数据即训练集进行训练;
S3、通过训练好的改进的循环自进化模糊神经网络模型对另外的脑电波数据即测试集进行测试。
2.根据权利要求1所述的一种基于脑电波的用于游戏评估的情感识别方法,其特征在于,步骤S1中,所述emotivepoc+设备能够采集人脑中的脑电波并采样计算一定时间间隔的平均值;采集多个实验者在游戏过程中的脑电波数据,并记录实验者在游戏过程中真实的情感状态的类别。
3.根据权利要求2所述的一种基于脑电波的用于游戏评估的情感识别方法,其特征在于,需要选取人脑中特定的区域来进行脑电波数据的采集。
4.根据权利要求2所述的一种基于脑电波的用于游戏评估的情感识别方法,其特征在于,所述情感状态的类别包括愉悦、生气、害怕和难过。
5.根据权利要求1所述的一种基于脑电波的用于游戏评估的情感识别方法,其特征在于,步骤S2中,利用步骤S1采集到的脑电波数据,通过改进的循环自进化模糊神经网络模型对其中训练集数据进行训练,以形成与实验者无关的情感识别模型;该模型以脑电波的数值数据作为输入,以实验者的真实情感状态的类别作为期望输出,使该模型尽可能拟合输入的脑电波数据。
6.根据权利要求5所述的一种基于脑电波的用于游戏评估的情感识别方法,其特征在于,所述改进的循环自进化模糊神经网络模型包括输入层、模糊化层、空间激活层、循环层、结果层和输出层,每一层都包含节点,节点通过任意类型的非线性算子作为神经元。
7.根据权利要求6所述的一种基于脑电波的用于游戏评估的情感识别方法,其特征在于,所述输入层中,输入表示为 输入层中的每个节点对应于一个输入变量,并将输入值直接传输到模糊化层;
定义 表示第k层第i个节点的输出,其中, 表示输入层中的第i个节点的输出,xi表示输入 中的第i个输入变量;
所述模糊化层即隶属函数层中,每个节点都使用一个高斯隶属函数,模糊化层计算的隶属度值即模糊化层的输出如下:
其中, 指的是模糊化层的第j个节点因输入层的第i个节点的输入所对应的输出;
mij, 分别是输入层第i个节点的输入传递到模糊化层第j个隐藏神经元的高斯隶属函数的平均值和方差;
所述空间激活层中,每个节点对应一个模糊规则作为空间规则节点函数;空间激活层的节点根据对应的规则从模糊化层的集合节点接收到一维的隶属度;使用模糊和算子对模糊规则进行预处理,通过运算得到空间激活强度Fj作为空间激活层的输出:
其中, 表示空间激活层第j个节点的输出,n为连接到第三层的节点i的第二层节点数目。
8.根据权利要求6所述的一种基于脑电波的用于游戏评估的情感识别方法,其特征在于,所述循环层中,每个节点都是一个循环模糊规则节点,形成一个内部反馈循环;这种循环模糊规则节点的输出是一个暂时的激活强度 结合了空激活强度和时间激活强度计算公式如下:
其中, 是循环层第j个隐藏节点的输出,t表示时间步长, 是随机生成的自j
循环参数,在循环过程中不断迭代, 是时间激活强度,F (t)是本次循环的空间激活强度, 是上一次循环的时间激活强度;
所述结果层中的节点为结果节点,计算公式如下:
其中, 是结果层的第j个隐藏节点的输出, 表示线性函数关系, 表示循环层的第i个节点到结果层的第q个节点的权重,xi(t)表示第i个输入,b为学习参数;
所述输出层中的输出节点执行模糊去模糊化,采用加权平均去模糊法:
其中, 为输出层第j个隐藏神经元的输出,R为模糊规则总数,y为改进的循环自进化模糊神经网络模型的输出。
9.根据权利要求1所述的一种基于脑电波的用于游戏评估的情感识别方法,其特征在于,步骤S3中,使用训练好的改进的循环自进化模糊神经网络模型对测试集的数据进行测试,以实验者脑电波的数值数据作为输入,并以得到的实验者的测试情感状态的类别作为输出,与步骤S1中记录的真实的情感状态的类别作对比,得出改进的循环自进化模糊神经网络模型的准确率。

说明书全文

一种基于脑电波的用于游戏评估的情感识别方法

技术领域

[0001] 本发明涉及人工智能领域,具体涉及一种基于脑电波的用于游戏评估的情感识别方法。

背景技术

[0002] 游戏具有丰富的场景表现,因而在人们的娱乐和教育等方面扮演着越来越重要的色。游戏的主要目标之一是提供乐趣等情感体验,如果游戏设计者一位地从自身的角度去进行游戏设计,而不考虑玩家的游戏情感体验,那么玩家可能会因为游戏难度过低而感到无聊或者是由于游戏难度过高而产生颓废的情绪,这会导致他们对游戏的参与度降低甚至是结束该游戏。情感识别可以使得我们在玩家不中断游戏进程的情况下,获得玩家的实时情感状态。针对玩家的实时情感,游戏设计者可以相应地调整游戏的难度和内容以保持玩家的参与度,增强游戏体验,因此这是一个很有前景的研究领域。
[0003] 迄今为止已提出了不少用于游戏评估的情感识别模型,且基本能够满足情感识别的需要,但仍有很多问题亟待解决或值得进一步研究。目前用于游戏评估的情感识别方法大都是基于面部表情或者外围神经系统的生理数据(如肌电图)来进行识别的。第一,基于面部表情的情感识别方法存在一个问题:玩家可以通过伪装来隐藏游戏过程中的真实情感状态,这就导致游戏评估环节存在偏差甚至出错。第二,使用肌电图等外围神经系统的胜利数据来进行情感识别要比使用脑电波等中央神经系统的生理数据的准确率低。有相当的关于认知理论的研究表明,人类的情感与人脑有着极其密切的联系,通过使用脑电波的数据,玩家游戏过程中的真实情感的识别准确率会大大提升。

发明内容

[0004] 为了解决上述现有技术所存在的问题,本发明提供一种基于脑电波的用于游戏评估的情感识别方法,实现在不中断玩家游戏过程的条件下,获取玩家真实的情感状态。
[0005] 本发明的目的至少通过如下技术方案之一实现。
[0006] 一种基于脑电波的用于游戏评估的情感识别方法,包括以下步骤:
[0007] S1、采用emotiv epoc+设备进行脑电波数据的采集;
[0008] S2、使用改进的循环自进化模糊神经网络(RSEFNN)模型对部分脑电波数据即训练集进行训练;
[0009] S3、通过训练好的改进的循环自进化模糊神经网络模型对另外的脑电波数据即测试集进行测试。
[0010] 进一步地,步骤S1中,所述emotiv epoc+设备能够采集人脑中的脑电波并采样计算一定时间间隔的平均值;采集多个实验者在游戏过程中的脑电波数据,并记录实验者在游戏过程中真实的情感状态的类别。
[0011] 进一步地,在实验过程中,需要选取人脑中特定的区域来进行脑电波数据的采集。
[0012] 进一步地,所述情感状态的类别包括愉悦、生气、害怕和难过。
[0013] 进一步地,步骤S2中,利用步骤S1采集到的脑电波数据,通过改进的循环自进化模糊神经网络(RSEFNN)模型对其中训练集数据进行训练,以形成与实验者无关的情感识别模型;该模型以脑电波的数值数据作为输入,以实验者的真实情感状态的类别作为期望输出,使该模型尽可能拟合输入的脑电波数据。
[0014] 进一步地,所述改进的循环自进化模糊神经网络模型包括输入层、模糊化层、空间激活层、循环层、结果层和输出层,每一层都包含节点,节点通过任意类型的非线性算子作为神经元。
[0015] 进一步地,所述输入层中,输入表示为 输入层中的每个节点对应于一个输入变量,并将输入值直接传输到模糊化层;
[0016]
[0017] 定义 表示第k层第i个节点的输出,其中, 表示输入层中的第i个节点的输出, xi表示输入 中的第i个输入变量;
[0018] 所述模糊化层即隶属函数层中,每个节点都使用一个高斯隶属函数,模糊化层计算的隶属度值即模糊化层的输出如下:
[0019]
[0020] 其中, 指的是模糊化层的第j个节点因输入层的第i个节点的输入所对应的输出;mij, 分别是输入层第i个节点的输入传递到模糊化层第j个隐藏神经元的高斯隶属函数的平均值和方差;高斯隶属函数的均值和方差是参数,由于每个节点都使用不同的高斯隶属函数,因此每个隶属函数的均值和方差需人为确定或随机生成;
[0021] 所述空间激活层中,每个节点对应一个模糊规则作为空间规则节点函数;空间激活层的节点根据对应的规则从模糊化层的集合节点接收到一维的隶属度;使用模糊和算子对模糊规则进行预处理,通过运算得到空间激活强度Fj作为空间激活层的输出:
[0022]
[0023] 其中, 表示空间激活层第j个节点的输出,n为连接到第三层的节点i的第二层节点数目。
[0024] 所述循环层中,每个节点都是一个循环模糊规则节点,形成一个内部反馈循环;这种循环模糊规则节点的输出是一个暂时的激活强度 结合了空激活强度和时间激活强度 计算公式如下:
[0025]
[0026] 其中, 是循环层第j个隐藏节点的输出,t表示时间步长, 是随机生成的自循环参数,在循环过程中不断迭代, 是时间激活强度,Fj(t)是本次循环的空间激活强度, 是上一次循环的时间激活强度;
[0027] 所述结果层中的节点为结果节点,计算公式如下:
[0028]
[0029] 其中, 是结果层的第j个隐藏节点的输出, 表示线性函数关系, 表示循环层的第i个节点到结果层的第q个节点的权重,xi(t)表示第i个输入,b为学习参数;
[0030] 所述输出层中的输出节点执行模糊去模糊化,采用加权平均去模糊法:
[0031]
[0032] 其中, 为输出层第j个隐藏神经元的输出,R为模糊规则总数,y为改进的循环自进化模糊神经网络模型的输出。
[0033] 进一步地,步骤S3中,使用训练好的改进的循环自进化模糊神经网络模型对测试集的数据进行测试,以实验者脑电波的数值数据作为输入,并以得到的实验者的测试情感状态的类别作为输出,与步骤S1中记录的真实的情感状态的类别作对比,得出改进的循环自进化模糊神经网络模型的准确率。
[0034] 在真实情景下,以玩家的在游戏过程中的脑电波数据作为输入,并得到对应的输出即在游戏过程中的情感状态的类别。
[0035] 本发明与现有技术相比,具有如下优点和有益效果:
[0036] 1、本发明采用脑电波数据进行情感识别,玩家在游戏中的情感无法被伪造,可以得到在游戏过程中的真实情感。
[0037] 2、本发明采用中央神经系统的脑电波数据进行预测。情感认知理论认为,人类的情感极大地受到人脑生理状态的影响。除此之外,相比于心电图的生理数据,脑电波数据具有更丰富的特征,更复杂的空间结构,因此,本发明的准确率要比采用心电图等的生理数据进行预测高。附图说明
[0038] 图1为本发明基于脑电波的用于游戏评估的情感识别框架技术路线图;
[0039] 图2为本发明实施例中展示的人脑不同区域图;
[0040] 图3为本发明实施例中循环自进化模糊神经网络(RSEFNN)模型结构图。

具体实施方式

[0041] 为使本发明的目的、技术方案和优点更加清楚明白,下面结合附图并举实施例,对本发明的具体实施进行详细说明。
[0042] 实施例:
[0043] 一种基于脑电波的用于游戏评估的情感识别方法,如图1所示,包括以下步骤:
[0044] S1、采用emotiv epoc+设备进行脑电波数据的采集;
[0045] 其中,所述emotiv epoc+设备能够采集人脑中的脑电波并采样计算一定时间间隔的平均值;实验过程中,采集多个实验者在游戏过程中的脑电波数据,并记录实验者在游戏过程中真实的情感状态的类别。
[0046] 脑电波是一些自发的有节律的神经电活动,其频率变动范围在每秒1-30次之间的,可划分为四个波段,即δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)。除此之外,在觉醒并专注于某一事时,常可见一种频率较β波更高的γ波,其频率为30~80Hz,波幅范围不定。
[0047] 在实验过程中,需要选取人脑中特定的区域来进行脑电波数据的采集。
[0048] 人脑不同区域如图2所示,本实施例中,选取AF3,AF4,F3,F4,F7,F8,FC5,FC6, T7,T8,P7,P8,O1,O2这14个人脑位置中的脑电波数据进行采集。
[0049] 所述情感状态的类别包括愉悦、生气、害怕和难过。
[0050] S2、使用改进的循环自进化模糊神经网络模型对部分脑电波数据即训练集进行训练;
[0051] 利用步骤S1采集到的脑电波数据,通过改进的循环自进化模糊神经网络模型对其中训练集数据进行训练,以形成与实验者无关的情感识别模型;该模型以脑电波的数值数据作为输入,以实验者的真实情感状态的类别作为期望输出,使该模型尽可能拟合输入的脑电波数据。
[0052] 如图3所示,所述改进的循环自进化模糊神经网络模型包括输入层(Layer1)、模糊化层  (Layer2)、空间激活层(Layer3)、循环层(Layer4)、结果层(Layer5)和输出层(Layer6),每一层都包含节点,节点通过任意类型的非线性算子作为神经元。
[0053] 所述输入层中,输入表示为 输入层中的每个节点对应于一个输入变量,并将输入值直接传输到模糊化层;
[0054]
[0055] 定义 表示第k层第i个节点的输出,其中, 表示输入层中的第i个节点的输出, xi表示输入 中的第i个输入变量;
[0056] 所述模糊化层即隶属函数层中,每个节点都使用一个高斯隶属函数,模糊化层计算的隶属度值即模糊化层的输出如下:
[0057]
[0058] 其中, 指的是模糊化层的第j个节点因输入层的第i个节点的输入所对应的输出;mij, 分别是输入层第i个节点的输入传递到模糊化层第j个隐藏神经元的高斯隶属函数的平均值和方差;高斯隶属函数的均值和方差是参数,由于每个节点都使用不同的高斯隶属函数,因此每个隶属函数的均值和方差需人为确定或随机生成;
[0059] 所述空间激活层中,每个节点对应一个模糊规则作为空间规则节点函数;空间激活层的节点根据对应的规则从模糊化层的集合节点接收到一维的隶属度;使用模糊和算子对模糊规则进行预处理,通过运算得到空间激活强度Fj作为空间激活层的输出:
[0060]
[0061] 其中, 表示空间激活层第j个节点的输出,n为连接到第三层的节点i的第二层节点数目。
[0062] 所述循环层中,每个节点都是一个循环模糊规则节点,形成一个内部反馈循环;这种循环模糊规则节点的输出是一个暂时的激活强度 结合了空激活强度和时间激活强度 计算公式如下:
[0063]
[0064] 其中, 是第循环层第j个隐藏节点的输出,t表示时间步长, 是随机生成的自循环参数,在循环过程中不断迭代, 是时间激活强度,Fj(t)是本次循环的空间激活强度, 是上一次循环的时间激活强度;
[0065] 所述结果层中的节点为结果节点,计算公式如下:
[0066]
[0067] 其中, 是结果层的第j个隐藏节点的输出, 表示线性函数关系, 表示循环层的第i个节点到结果层的第q个节点的权重,xi(t)表示第i个输入,b为学习参数;
[0068] 所述输出层中的输出节点执行模糊去模糊化,采用加权平均去模糊法:
[0069]
[0070] 其中, 为输出层第j个隐藏神经元的输出,R为模糊规则总数,y为改进的循环自进化模糊神经网络模型的输出。
[0071] S3、通过训练好的改进的循环自进化模糊神经网络模型对另外的脑电波数据即测试集进行测试。
[0072] 步骤S3中,使用训练好的改进的循环自进化模糊神经网络模型对测试集的数据进行测试,在实验过程中,以实验者脑电波的数值数据作为输入,并以得到的实验者的测试情感状态的类别作为输出,与步骤S1中记录的真实的情感状态的类别作对比,得出改进的循环自进化模糊神经网络模型的准确率。
[0073] 情感认知理论认为,人类的情感极大地受到人脑生理状态的影响。除此之外,相比于心电图的生理数据,脑电波数据具有更丰富的特征,更复杂的空间结构,因此,本发明的准确率要比采用心电图等的生理数据进行预测高。
[0074] 在真实情景下,以玩家的在游戏过程中的脑电波数据作为输入,并得到对应的输出即在游戏过程中的情感状态的类别。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈