情绪识别模型的生成、情绪识别方法、装置、设备及介质

技术领域

本发明实施例涉及大数据领域，尤其涉及一种情绪识别模型的生成、情绪识别方法、装置、设备及介质。

背景技术

如今，终端设备如智能手机、平板电脑等在人们的日常生活中扮演的角色越来越重要，终端设备带来的用户体验成为使用者衡量终端设备的一个关键因素。

目前，已研发出一些终端设备能够从识别用户情绪状态的角度出发，根据识别出的用户情绪相应地为用户提供个性化服务；而能否为用户提供合理的个性化服务，主要取决于用户情绪识别的准确度。目前较为常见的基于面部表情识别情绪的方法，随着环境光线、用户面部与终端设备之间的相对位置等因素的改变，面部表情识别的准确度也会发生改变，即该方法无法保证准确识别用户的面部表情，进而将导致基于面部表情识别出情绪类别并不准确。此外，现有技术中还存在语音情感识别，生理模式识别，文本情感识别等确定用户情绪类别的方法。

但总体来看，这些传统的情绪识别由于使用场景的限制，对用户情绪进行识别的准确度有限，并未真正达到提高用户体验的目的。因此，如何准确识别用户情绪，成为亟待解决的技术问题。

发明内容

本发明提供一种情绪识别模型的生成、情绪识别方法、装置、设备及介质，以实现准确识别用户情绪，进而根据识别出的用户情绪为用户提供个性化的服务，提升用户体验。

第一方面，本发明实施例提供了一种情绪识别模型的生成方法，该方法包括：

获取历史滑屏用户在滑屏操作中的历史操作数据和所述历史滑屏用户的历史情绪类别；

对所述历史操作数据进行特征提取，得到所述历史操作数据的特征参数值；

将所述历史操作数据的特征参数值作为标准识别模型的输入，且将所述历史滑屏用户的历史情绪类别作为所述标准识别模型的输出，对所述标准识别模型进行训练，得到情绪识别模型。

第二方面，本发明实施例还提供了一种情绪识别方法，该方法包括：

获取当前滑屏用户在滑屏操作中的当前操作数据；

将所述当前操作数据输入至通过本发明任意实施例所述的情绪识别模型的生成方法生成的情绪识别模型；

获取所述滑屏操作中的当前操作数据对应的当前滑屏用户的情绪。：

第三方面，本发明实施例还提供了一种情绪识别模型的生成装置，该装置包括：

历史数据获取模块，用于获取历史滑屏用户在滑屏操作中的操作数据和所述历史滑屏用户的历史情绪类别；

特征提取模块，用于对所述历史操作数据进行特征提取，得到所述历史操作数据的特征参数值；

模型训练模块，用于将所述历史操作数据的特征参数值作为标准识别模型的输入，且将所述历史滑屏用户的历史情绪类别作为所述标准识别模型的输出，对所述标准识别模型进行训练，得到情绪识别模型。

第四方面，本发明实施例还提供了一种情绪识别装置，该装置包括：

当前数据获取模块，用于获取当前滑屏用户在滑屏操作中的当前操作数据；

情绪识别模块，用于将所述当前操作数据输入至通过本发明任意实施例所述的情绪识别模型的生成方法生成的情绪识别模型；

情绪获取模块，用于获取所述滑屏操作中的当前操作数据对应的当前滑屏用户的情绪。

第五方面，本发明实施例还提供了一种电子设备，该设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的情绪识别模型的生成方法。

第六方面，本发明实施例还提供了一种电子设备，该设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的情绪识别方法。

第七方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的情绪识别模型的生成方法。

第八方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的情绪识别方法。

本发明实施例提供的一种情绪识别模型的生成、情绪识别方法、装置、设备及存储介质。通过获取历史滑屏用户在滑屏操作中的历史操作数据和所述历史滑屏用户的历史情绪类别；对所述历史操作数据进行特征提取，得到所述历史操作数据的特征参数值；将所述历史操作数据的特征参数值作为标准识别模型的输入，且将所述历史滑屏用户的历史情绪类别作为所述标准识别模型的输出，对所述标准识别模型进行训练，得到情绪识别模型。本发明实施例通过该情绪识别模型可以准确识别滑屏用户的情绪类别，从而根据识别出的用户情绪为用户提供个性化服务，提高用户体验，为情绪识别提供了一种新思路。

附图说明

图1为本发明实施例一提供的一种情绪识别模型的生成方法的流程图；

图2是本发明实施例二提供的一种情绪识别方法的流程图；

图3是本发明实施例三提供的一种情绪识别模型的生成装置的结构示意图；

图4是本发明实施例四提供的一种情绪识别装置的结构示意图；

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

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种情绪识别模型的生成方法的流程图，本实施例可适用于生成用于识别滑屏用户在滑屏操作中的情绪类别的情绪识别模型的情况，该方法可以由本发明实施例提供的情绪识别模型的生成装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于电子设备中，例如典型的是计算机等。

具体的，如图1所示，本发明实施例提供的情绪识别模型的生成方法，可以包括如下步骤：

S110、获取历史滑屏用户在滑屏操作中的历史操作数据和历史滑屏用户的历史情绪类别。

其中，历史滑屏用户是在历史时间内在电子设备的显示屏上产生过滑屏行为的用户。电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏等，输入装置可以是显示屏上覆盖的触摸层或触控板等，该电子设备可以是手机或平板电脑。历史操作数据，是指历史滑屏用户进行滑动屏幕操作时产生的数据。

情绪是人受到外界事物刺激时的反应，是一种广泛而复杂的生理和心理状态。人的情绪状态种类繁多，心理学家埃克曼将其大致定义为高兴、生气、吃惊、恐惧、厌恶和悲伤六种。事实上，还有很多其他的情绪状态，如羞愧，傲慢，失望，焦虑等。人的情绪状态往往反应了一个人对外在事物的态度与看法，通过情绪识别可以帮助人们提高设备使用安全性，分析日常行为潜在情感因素。例如，在康复医疗方面，可以帮助医生诊断以及预防如抑郁症、创伤后应激障碍等问题。同时，根据患者的情绪反应可以方便医护人员提供更好的医疗护理，以辅助患者的康复。在交通运输方面，可以通过情绪检测分析驾驶员的精神状态，如是否疲劳，清醒程度如何，是否紧张焦虑等，来确保驾驶安全。在教育行业，可以通过学生对不同科目的情绪反应开发学生特长，进行更有针对性的辅导。同时，当学生大脑负荷较重，显示出疲劳情绪时，提示教师活跃课堂或者短暂休息，确保课堂效率。对情绪的精确识别可以从很多方面提升我们的生活质量。

历史情绪类别是按照预设的情绪分类标准得到的历史滑屏用户对应的情绪类别。具体的，按照不同的分类标准，得到的情绪类别可以不同。示例性的，中国传统文化认为人都有七情六欲，其中，七情是指喜、怒、忧、思、悲、恐、惊七种情绪；而按照佛教的说法，情绪则分为喜、怒、忧、惧、爱、憎、欲。本申请对具体的情绪分类标准不作限制，可根据实际情况进行调整。

为了训练情绪识别模型，首先需要获取历史记录中历史滑屏用户在滑屏操作中的历史操作数据和对应的历史滑屏用户的历史情绪类别。

为了使得生成准确的情绪识别模型，首先需要准确的历史操作数据，在本实施例的一种可选的实施方式中，获取历史滑屏用户在滑屏操作中的历史操作数据，包括：获取历史滑屏用户的身份信息；获取历史滑屏用户在滑屏操作中的滑屏信号及生理信号。其中，历史滑屏用户的身份信息包括如下至少一项：历史滑屏用户的年龄、性别、职业、学历及收入。

由于滑屏的操作数据中涉及的滑屏动作可以在一定程度上反映不同情绪的差别，同时，生理信号也可以反映人的情绪，且不容易受到人为因素影响。因此，可以获取历史滑屏用户在滑屏操作中的滑屏信号和生理信号，用来训练情绪识别模型。可选的，获取历史滑屏用户在滑屏操作中的滑屏信号及生理信号，包括：获取历史滑屏用户在滑屏操作中的滑动长度、滑动速度、滑动角度、滑动压力及间隔时长，作为滑屏信号；获取历史滑屏用户在滑屏操作中的脑电信号、心率、血压、眼动轨迹中瞳孔的反应数据，作为生理信号。

示例性的，可以通过穿戴设备采集历史滑屏用户在滑屏操作中的生理信号。具体的，可以使用生理信号数据采集电极和生理信号放大设备、模数转换设备，采集脑电信号、心率，血压等生理信号。但是，在实际应用中，利用生理信号进行情绪分析还存在着很多挑战。首先，生理信号采集过程比较困难，想要获得稳定的生理信号对采集设备、被试者、外部环境都有一定的要求，很容易收到外界噪声影响。其次，生理信号具有强度弱和背景噪声强的特点，想要得到有效的生理信号需要对其进行去噪。同时，在分类工作时，需要一些处理技术从大量生理信号样本中提取特征，以建立生理信号与情绪状态之间的对应关系。

本实施例中，还可以通过如下方式获取历史滑屏用户在滑屏操作中的滑屏信号：

首先，获取历史滑屏用户在滑屏操作中滑屏轨迹点的坐标值、压力值、角度值及时间。具体的，可以在屏幕上建立坐标系，标记每一个轨迹点的坐标值。每次滑屏操作时记录滑屏操作的起点、所经过的点和终点的坐标值、角度值、压力值和时间。具体地，滑动长度是指一次滑动操作从起点到终点所形成的轨迹的长度，即从手指或其他触控物触摸屏幕到离开屏幕时所产生的轨迹点之间的距离的总和。滑动速度是指一次滑动操作的滑动长度与一次滑动持续时间的比值。一次滑动持续时间是指从触控物触摸屏幕到离开屏幕时的时间长度。角度值是指滑动操作中滑动到每一个轨迹点时触摸物与屏幕的角度大小。压力值是指滑动操作中每个轨迹点所受到的压力大小。间隔时间是指相邻两次滑动操作之间的间隔时间。

其次，根据历史滑屏用户在滑屏操作中滑屏轨迹点的坐标值，得到滑屏轨迹的滑动长度。由于每次滑屏操作中记录有每一个滑屏的轨迹点的坐标值，根据记录的每一个轨迹点的坐标值及对应的时间，可计算相邻两个轨迹点之间的距离，作为滑动长度。为了避免滑屏不连续的情况对数据采集的影响，可以设置一个连续滑屏阈值时间，将预设的阈值时间内的滑屏轨迹作为一次滑屏轨迹，再将一次滑屏操作中的起点到终点中所有相邻两点之间的距离相加得到总的距离，将总的距离作为该次滑屏操作的滑动长度。可以理解的是，设置的连续滑屏阈值时间较短，示例性的，可以是1s，当然本申请对此不作限定，可根据实际情况设置。

根据历史滑屏用户在滑屏操作中滑屏轨迹点的时间，得到滑屏操作的持续时间。具体地，可以计算每次滑屏操作中终点时间与起点时间之间的差值得到每次滑屏操作的滑动持续时间。再次，根据历史滑屏用户在滑屏操作的滑动长度和持续时间，得到滑屏操作的滑动速度；最后，根据历史滑屏用户在滑屏操作中滑屏轨迹点的时间，得到相邻两次滑屏操作的间隔时间。

在另一个可选的实施方式中，在获取预设时间内或指定场景中的历史滑屏用户在滑屏操作中的滑屏信号之后，还包括：

根据滑屏轨迹的滑动长度，得到预设时间内或指定场景中的滑屏轨迹的平均滑动长度、最大滑动长度和最小滑动长度；根据滑屏操作的滑动速度，得到预设时间内或指定场景中的滑屏操作的平均滑动速度、最大滑动速度和最小滑动速度；根据相邻两次滑屏操作的间隔时间，得到预设时间内或指定场景中的滑屏操作的平均间隔时间、最大间隔时间和最小间隔时间；根据滑动轨迹点的压力值，得到平均压力值、最大压力值和最小压力值；根据滑动轨迹点的角度值，得到平均角度值、最大角度值和最小角度值。这样设置的好处在于，通过引入最大值、最小值和平均值，可以避免极少数数据误差对整体采集数据的影响导致提取的特征值不准确的情况。

对于生理信号，示例性的，可以通过二阶微分从正到负过零法则找出生理信号上升沿斜率局部最大值的数目。生理信号上升沿斜率局部最大值的数目可以在一定程度反映出与情绪的相关度。

S120、对历史操作数据进行特征提取，得到历史操作数据的特征参数值。

其中，历史操作数据中的生理信号具有强度弱和背景噪声强的特点，想要得到有效的生理信号需要对其进行去噪。具体的，需要对获取的滑屏操作中的生理信号进行去噪，然后对去噪后的生理信号进行特征提取，得到生理信号的特征参数值。

为了从上述诸多特征中找出具有代表性的特征作为生成情绪识别模型的有效特征，在一个可选的实施方式中，可以通过特征选择算法(RefliefF算法)，计算出每一个特征的权重；比较每一个特征的权重与预设的权重阈值，去除权重小于权重阈值的特征。这样设置的好处在于，可以减少权重较小的特征对模型生成效率的影响。

具体的，权重阈值可以预先设置好，也可以根据计算出的每一个特征的权重大小和预计样本数量进行设置。示例性的，若总共有12个特征，需要选取8个特征，则将每个特征的权重大小按从大到小的顺序排列，取其中第8大的数据作为权重阈值，将小于权重阈值的特殊去除。具体的权重阈值设置可以根据实际情况进行调整，本申请在此不作具体限制。

S130、将历史操作数据的特征参数值作为标准识别模型的输入，且将历史滑屏用户的历史情绪类别作为标准识别模型的输出，对标准识别模型进行训练，得到情绪识别模型。

其中，标准识别模型可以理解为原始机器学习模型。将历史操作数据的特征参数值作为标准识别模型的输入，且将历史滑屏用户的历史情绪类别作为标准识别模型的输出，对标准识别模型进行训练，得到情绪识别模型，包括：通过神经网络算法或支持向量机算法，将历史操作数据的特征参数值作为原始机器学习模型的输入，且将历史滑屏用户的历史情绪类别作为原始机器学习模型的输出，对原始机器学习模型进行训练，得到情绪识别模型。

利用线性预测系数和倒谱系数，通过基于遗传算法产生的子集，建立情绪分类。结合RefliefF算法、人工神经网络(Artificial Neural Network，ANN)算法支持向量机(Support Vector Machine，SVM)算法对情绪进行分类，从而建立情绪识别模型。

由于RefliefF算法在特征选择方面的优异性以及ANN算法在处理非常规问题方面的优异性，将两者结合，用来处理智能移动终端的情绪触摸数据的分类。首先，通过RefliefF算法计算出每一个特征的权重，剔除掉权重较小的特征。然后使用ANN算法，得到分类识别率。最后调整参数，直到得到最优识别率，从而最终确定情绪识别模型。进一步的，可以对滑屏用户的情绪进行7天为一个周期的量化分析，也可以以30天为一个周期，从而确定滑屏用户的情绪偏好。

本实施例的技术方案，通过获取历史滑屏用户在滑屏操作中的历史操作数据和历史滑屏用户的历史情绪类别；对历史操作数据进行特征提取，得到历史操作数据的特征参数值；将历史操作数据的特征参数值作为标准识别模型的输入，且将历史滑屏用户的历史情绪类别作为标准识别模型的输出，对标准识别模型进行训练，得到情绪识别模型，解决了现有的情绪识别模型识别准确度有限的问题，为后续准确识别用户情绪奠定了基础。

为了准确采集历史滑屏用户的历史滑屏数据及对应的情绪类别，在一个可选的实施方式中，可以设计情绪诱导实验，获取智能移动终端中常见的情绪，并且设计科学化的数据收集流程。示例性的，可以设计一款游戏来进行数据采集。除了滑屏操作中的操作数据的采集，还需保证实验者的社会人群覆盖面广度，对用户的年龄、性别、职业、学历、收入这5个用户身份标签都需要覆盖。可以结合用户身份标签，对滑屏用户的情绪数据进行量化分析。示例性的，可以通过随机选择50个用户，其中男女比例各占一半来进行数据收集。

为了获得理想的数据，在一种可选的实施方式中，可以在设计游戏时可以使用国际情绪声音库里的声音作为某个游戏场景(或者其他应用场景)的背景音乐，在游戏过程中诱导出实验者较为强烈的情绪状态，并要求实验者在实验的每一关之后从平静、烦躁、开心和愤怒中选择该游戏场景所产生的情绪状态，以此来对数据进行情感标签，也就是获取各个滑屏用户在滑屏操作中的操作数据及对应的情绪类别。

在另一种可选的实施方式中，可以让实验者观看不同的情感视频，在视频刺激下产生不同的情绪，然后在诱导情绪的情况下，获取各个滑屏用户在滑屏操作中的操作数据及对应的情绪类别。

为了使分类算法不受特定算法的思维限制，在一个可选的实施方式在，可以对用户的标签进行多标签转化。其中，转换法的思想主要是：将多标签转换为一个或者多个单标签的数据进行分类，这样就可以继续沿用传统的单标签分类算法对数据样本进行分类。对于传统的单标签已经有了很多成熟的分类算法(如：神经网络、支持向量机、K均值和贝叶斯分类器等)，利用问题转换法可以让分类算法不受特定算法的思维限制。

实施例二

图2为本发明实施例二提供的一种情绪识别方法的流程图，本实施例可适用于识别滑屏用户的用户情绪的情况，该方法可以情绪识别装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置在电子设备中，例如典型的是手机、平板电脑等。

具体的，如图2所示，该方法包括：

S210、获取当前滑屏用户在滑屏操作中的当前操作数据。

其中，当前滑屏用户是在当前时间在电子设备的显示屏上产生滑屏行为的用户。电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏等，输入装置可以是显示屏上覆盖的触摸层或触控板等，该电子设备可以是手机或平板电脑。当前操作数据，是指当前滑屏用户进行滑动屏幕操作时产生的数据。

情绪是人受到外界事物刺激时的反应，是一种广泛而复杂的生理和心理状态。人的情绪状态种类繁多，心理学家埃克曼将其大致定义为高兴、生气、吃惊、恐惧、厌恶和悲伤六种。事实上，还有很多其他的情绪状态，如羞愧，傲慢，失望，焦虑等。

当前情绪类别是按照预设的情绪分类标准得到的当前滑屏用户对应的情绪类别。具体的，按照不同的分类标准，得到的情绪类别可以不同。示例性的，中国传统文化认为人都有七情六欲，其中，七情是指喜、怒、忧、思、悲、恐、惊七种情绪；而按照佛教的说法，情绪则分为喜、怒、忧、惧、爱、憎、欲。本申请对具体的情绪分类标准不作限制，可根据实际情况进行调整。

获取当前滑屏用户在滑屏操作中的当前操作数据，包括：获取当前滑屏用户的身份信息；获取当前滑屏用户在滑屏操作中的滑屏信号及生理信号。其中，当前滑屏用户的身份信息包括如下至少一项：当前滑屏用户的年龄、性别、职业、学历及收入。

可选的，获取当前滑屏用户在滑屏操作中的滑屏信号及生理信号，包括：获取当前滑屏用户在滑屏操作中的滑动长度、滑动速度、滑动角度、滑动压力及间隔时长，作为滑屏信号；获取当前滑屏用户在滑屏操作中的脑电信号、心率、血压、眼动轨迹中瞳孔的反应数据，作为生理信号。

示例性的，可以通过穿戴设备采集当前滑屏用户在滑屏操作中的生理信号。具体的，可以使用生理信号数据采集电极和生理信号放大设备、模数转换设备，采集脑电信号、心率，血压等生理信号。

本实施例中，还可以通过如下方式获取当前滑屏用户在滑屏操作中的滑屏信号：

首先，获取当前滑屏用户在滑屏操作中滑屏轨迹点的坐标值、压力值、角度值及时间。具体的，可以在屏幕上建立坐标系，标记每一个轨迹点的坐标值。每次滑屏操作时记录滑屏操作的起点、所经过的点和终点的坐标值、角度值、压力值和时间。具体地，滑动长度是指一次滑动操作从起点到终点所形成的轨迹的长度，即从手指或其他触控物触摸屏幕到离开屏幕时所产生的轨迹点之间的距离的总和。滑动速度是指一次滑动操作的滑动长度与一次滑动持续时间的比值。一次滑动持续时间是指从触控物触摸屏幕到离开屏幕时的时间长度。角度值是指滑动操作中滑动到每一个轨迹点时触摸物与屏幕的角度大小。压力值是指滑动操作中每个轨迹点所受到的压力大小。间隔时间是指相邻两次滑动操作之间的间隔时间。

其次，根据当前滑屏用户在滑屏操作中滑屏轨迹点的坐标值，得到滑屏轨迹的滑动长度。由于每次滑屏操作中记录有每一个滑屏的轨迹点的坐标值，根据记录的每一个轨迹点的坐标值及对应的时间，可计算相邻两个轨迹点之间的距离，作为滑动长度。为了避免滑屏不连续的情况对数据采集的影响，可以设置一个连续滑屏阈值时间，将预设的阈值时间内的滑屏轨迹作为一次滑屏轨迹，再将一次滑屏操作中的起点到终点中所有相邻两点之间的距离相加得到总的距离，将总的距离作为该次滑屏操作的滑动长度。可以理解的是，设置的连续滑屏阈值时间较短，示例性的，可以是1s，当然本申请对此不作限定，可根据实际情况设置。

根据当前滑屏用户在滑屏操作中滑屏轨迹点的时间，得到滑屏操作的持续时间。具体地，可以计算每次滑屏操作中终点时间与起点时间之间的差值得到每次滑屏操作的滑动持续时间。再次，根据当前滑屏用户在滑屏操作的滑动长度和持续时间，得到滑屏操作的滑动速度；最后，根据当前滑屏用户在滑屏操作中滑屏轨迹点的时间，得到相邻两次滑屏操作的间隔时间。

在另一个可选的实施方式中，在获取预设时间内或指定场景中的当前滑屏用户在滑屏操作中的滑屏信号之后，还包括通过引入最大值、最小值和平均值，避免极少数数据误差对整体采集数据的影响导致提取的特征值不准确的情况。

S220、将当前操作数据输入至通过本发明任意实施例所述的情绪识别模型的生成方法生成的情绪识别模型。

在获取当前滑屏用户在滑屏操作中的当前操作数据之后，对当前操作数据进行特征提取，得到当前操作数据的特征参数值。接着，将当前操作数据输入至通过本发明任意实施例所述的情绪识别模型的生成方法生成的情绪识别模型，即可得到当前滑屏用户对于的情绪类别。

S230、获取滑屏操作中的当前操作数据对应的当前滑屏用户的情绪类别。

情绪识别模型对当前操作数据进行分类识别后，输出该滑屏操作中的当前操作数据对于的当前滑屏用户的情绪类别。

本实施例的技术方案，通过获取当前滑屏用户在滑屏操作中的当前操作数据，将当前操作数据输入至通过本发明任意实施例所述的情绪识别模型的生成方法生成的情绪识别模型，获取滑屏操作中的当前操作数据对应的当前滑屏用户的情绪类别，解决了传统的情绪识别方法的识别准确度有限的问题，达到了提高情绪识别准确率的效果，从而根据识别出的用户情绪为用户提供个性化服务，提高用户体验，为情绪识别提供了一种新思路。

实施例三

图3是本发明实施例三所提供的一种情绪识别模型的生成装置的结构示意图，该装置适用于执行本发明实施例提供的情绪识别模型的生成方法，可以配置于电子设备中，用于生成情绪识别模型。如图3所示，该装置包括历史数据获取模块310、特征提取模块320和模型训练模块330。其中，

历史数据获取模块310，用于获取历史滑屏用户在滑屏操作中的操作数据和历史滑屏用户的历史情绪类别；

特征提取模块320，用于对历史操作数据进行特征提取，得到历史操作数据的特征参数值；

模型训练模块330，用于将历史操作数据的特征参数值作为标准识别模型的输入，且将历史滑屏用户的历史情绪类别作为标准识别模型的输出，对标准识别模型进行训练，得到情绪识别模型。

本实施例的技术方案，通过获取历史滑屏用户在滑屏操作中的历史操作数据和历史滑屏用户的历史情绪类别；对历史操作数据进行特征提取，得到历史操作数据的特征参数值；将历史操作数据的特征参数值作为标准识别模型的输入，且将历史滑屏用户的历史情绪类别作为标准识别模型的输出，对标准识别模型进行训练，得到情绪识别模型，解决了现有的情绪识别模型识别准确度有限的问题，为后续准确识别用户情绪奠定了基础，为情绪识别提供了一种新思路。

优选的，上述历史数据获取模块310具体包括：身份信息获取单元、滑屏信号获取单元和生理信号获取单元。其中，身份信息获取单元，用于获取历史滑屏用户的身份信息；滑屏信号获取单元，用于获取历史滑屏用户在滑屏操作中的滑屏信号；生理信号获取单元，用于获取历史滑屏用户在滑屏操作中的生理信号。

进一步的，历史滑屏用户的身份信息包括如下至少一项：历史滑屏用户的年龄、性别、职业、学历及收入。

进一步的，滑屏信号获取单元，具体用于获取历史滑屏用户在滑屏操作中的滑动长度、滑动速度、滑动角度、滑动压力及间隔时长，作为滑屏信号；生理信号获取单元，具体用于获取历史滑屏用户在滑屏操作中的脑电信号、心率、血压、眼动轨迹中瞳孔的反应数据，作为生理信号。

进一步的，滑屏信号获取单元，具体用于：获取历史滑屏用户在滑屏操作中滑屏轨迹点的坐标值、压力值、角度值及时间；根据历史滑屏用户在滑屏操作中滑屏轨迹点的坐标值，得到滑屏轨迹的滑动长度；根据历史滑屏用户在滑屏操作中滑屏轨迹点的时间，得到滑屏操作的持续时间；根据历史滑屏用户在滑屏操作的滑动长度和持续时间，得到滑屏操作的滑动速度；根据历史滑屏用户在滑屏操作中滑屏轨迹点的时间，得到相邻两次滑屏操作的间隔时间。

进一步的，滑屏信号获取单元，还具体用于：获取预设时间内或指定场景中的历史滑屏用户在滑屏操作中滑屏轨迹点的坐标值、压力值、角度值及时间；根据滑屏轨迹的滑动长度，得到预设时间内或指定场景中的滑屏轨迹的平均滑动长度、最大滑动长度和最小滑动长度；根据滑屏操作的滑动速度，得到预设时间内或指定场景中的滑屏操作的平均滑动速度、最大滑动速度和最小滑动速度；根据相邻两次滑屏操作的间隔时间，得到预设时间内或指定场景中的滑屏操作的平均间隔时间、最大间隔时间和最小间隔时间；根据滑动轨迹点的压力值，得到平均压力值、最大压力值和最小压力值；根据滑动轨迹点的角度值，得到平均角度值、最大角度值和最小角度值。

进一步的，上述模型训练模块330中，标准识别模型为原始机器学习模型。上述模型训练模块330，具体用于通过神经网络算法或支持向量机算法，将历史操作数据的特征参数值作为原始机器学习模型的输入，且将历史滑屏用户的历史情绪类别作为原始机器学习模型的输出，对原始机器学习模型进行训练，得到情绪识别模型。

进一步的，上述特征提取模块320包括：信号去噪单元和特征提取单元。其中，信号去噪单元，用于对获取的滑屏操作中的生理信号进行去噪；特征提取单元用于对去噪后的生理信号进行特征提取，得到生理信号的特征参数值。

进一步的，上述特征提取模块320，还包括权重计算单元和特征选择单元。其中，权重计算单元，用于通过特征选择算法，计算出每一个特征的权重；特征选择单元，用于比较每一个特征的权重与预设的权重阈值，去除权重小于权重阈值的特征。

本发明实施例所提供的情绪识别模型的生成装置可执行本发明任意实施例所提供的情绪识别模型的生成方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四所提供的一种情绪识别装置的结构示意图，该装置适用于执行本发明实施例提供的情绪识别方法，可以配置于电子设备中，用于对情绪进行识别。如图4所示，该装置包括当前数据获取模块410、情绪识别模块420和情绪获取模块430。其中，

当前数据获取模块410，用于获取当前滑屏用户在滑屏操作中的当前操作数据；

情绪识别模块420，用于将当前操作数据输入至通过本发明任意实施例所述的情绪识别模型的生成方法生成的情绪识别模型；

情绪获取模块430，用于获取滑屏操作中的当前操作数据对应的当前滑屏用户的情绪。

本实施例的技术方案，通过获取当前滑屏用户在滑屏操作中的当前操作数据，将当前操作数据输入至通过本发明任意实施例所述的情绪识别模型的生成方法生成的情绪识别模型，获取滑屏操作中的当前操作数据对应的当前滑屏用户的情绪类别，解决了传统的情绪识别方法的识别准确度有限的问题，达到了提高情绪识别准确率的效果，从而根据识别出的用户情绪为用户提供个性化服务，提高用户体验，为情绪识别提供了一种新思路。

本发明实施例所提供的情绪识别装置可执行本发明任意实施例所提供的情绪识别方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5为本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的情绪识别模型的生成方法和情绪识别方法。

实施例六

本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请任意发明实施例提供的情绪识别模型的生成方法和情绪识别方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取历史滑屏用户在滑屏操作中的历史操作数据和历史滑屏用户的历史情绪类别；对历史操作数据进行特征提取，得到历史操作数据的特征参数值；将历史操作数据的特征参数值作为标准识别模型的输入，且将历史滑屏用户的历史情绪类别作为标准识别模型的输出，对标准识别模型进行训练，得到情绪识别模型。

或者上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取当前滑屏用户在滑屏操作中的当前操作数据；将当前操作数据输入至通过本发明任意实施例所述的情绪识别模型的生成方法生成的情绪识别模型；获取滑屏操作中的当前操作数据对应的当前滑屏用户的情绪类别。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。