(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210494636.0 (22)申请日 2022.05.08 (71)申请人 陈秉佑 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 骆瑜　陈秉佑　 (51)Int.Cl. G16H 50/20(2018.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) A61B 5/16(2006.01) (54)发明名称 一种高可靠性的情绪特 征提取与筛 选方法 (57)摘要 本发明公开了一种高可靠性的情绪特征提 取与筛选方法， 具体包括： 特征提取包括将语音 和图像特征向量转换为二维图像特征图、 构建双 向生成对抗网络并采用二级分层学习策略训练 之、 用所述双向生成对抗网络提取数据集的特 征； 特征筛选包括复制一份特征数据并生成影子 特征、 量化每个特征的重要性、 找出影子特征属 性之间的最大相对聚集度、 某特征的相对聚集度 低于其影子特征的最大相对聚集度则将其完全 移除、 当验证或拒绝所有特征时或当达到随机森 林的极限时终止。 该模型可以有效地从数据集中 提取特征， 并选择高价值的特征避免计算开销大 与过拟合的问题， 与其他方法相比具有更好的性 能和更广泛的应用范围。 权利要求书2页 说明书5页 附图1页 CN 114864077 A 2022.08.05 CN 114864077 A 1.一种基于生成对抗网络的情绪特 征提取方法， 其特 征在于， 包括： 将语音和图像特 征向量转换为二维图像特 征图； 构建双向生成对抗网络， 采用二级分层学习策略训练之， 不仅训练生成器也训练编码 器； 利用所述双向生成对抗网络提取 数据集的特 征。 2.根据权利要求1所述的基于生成对抗网络的情绪特征提取方法， 其特征在于， 采用二 级分层学习策略， 并在第一层学习中将原 始输入特 征图分割成几个子图像。 3.根据权利要求1所述的基于生成对抗网络的情绪特征提取方法， 其特征在于， 对于每 个子图像， 分配双向生成对抗网络模型来学习特 征图中的合成特 征： 。 4.根据权利要求1所述的基于生成对抗网络的情绪特征提取方法， 其特征在于， 在双向 生成对抗网络训练过程中， 不仅训练生成器， 还训练编码器。 5.根据权利要求1所述的基于生成对抗网络的情绪特征提取方法， 其特征在于， 双向生 成对抗网络的训练目标定义 为极小极大目标： 其中, ， E代表数学期望， Enc代 表编码器。 6.一种基于随机森林的情绪特 征筛选方法， 其特 征在于， 包括： 对利用情绪特征提取方法提取而得的数据进行预处理， 复制一份特征数据并对该副本 进行洗牌操作， 生成影子特 征； 选择在综合数据集上使用随机森林分类器和测量相对聚集度的方法来量化每个特征 的重要性； 对于每次迭代， 找出影子特征属性之间的最大相对聚集度， 并验证实 际特征的相对聚 集度是否高于其大多数 阴影特征的最大相对聚集度； 如果某特征的相对聚集度低于其影子特征的最大相对聚集度， 则认为该特征不相关， 并将其完全移除； 当验证或拒绝所有特 征时， 或当达 到随机森林的极限时， 特 征选择算法将终止 。 7.根据权利要求6所述的基于随机森林的情绪特征筛选方法， 其特征在于， 在随机森林权　利　要　求　书 1/2 页 2 CN 114864077 A 2算法的每次迭代中， 对完全集成的新特征集、 原始特征和影子特征的重要性分数进 行评估， 以过滤可用于建模的最佳 特征集。 8.根据权利要求6所述的基于随机森林的情绪特 征筛选方法， 其特 征在于， 袋外误差相对聚集度RAG的定义如下： RAG= μ(EOB)/ σ(EOB)， 其中EOB=(yi‑yiOB)2/N 其中EOB是随机森林的袋外误差； yi为样本值； yiOB是样本yi的袋外样本的预测值， μ(EOB) 是袋外误差的平均值， σ(EOB)是袋外误差的标准差 。 9.根据权利要求6所述的基于随机森林的情绪特 征筛选方法， 其特 征在于， 随机森林中的特征分组方法为： 计算每个特征和类别的互信息， 按照互信息从小到大 的顺序进行排序， 并对特 征集进行分组； 定义特 征分组的标准 Q可以表示 为： 其中， 。权　利　要　求　书 2/2 页 3 CN 114864077 A 3