4 基于BP神经网络的情感模型及实验结果（The results of theexperiment）

4.1 基于BP神经网络模型的建立

4.1.1 神经网络输入和输出的确定

考虑硬件条件提供的参数有限，不能通过生理信号和面部表情进行情感分析^[10]，只能检测用户的抚摸力度、抚摸位置、抚摸时间，本文采用二维情绪环状模式^[18]，如图 9所示。

情绪被划分为愉快度和情感强度两个维度，其中愉快度分为愉快和不愉快，强度分为中强度和高强度。本文提取四个区别明显的情感，即快乐、轻松、悲观、愤怒^[17]，为了保证实验的可实施性，本文将悲观情绪改为接近的悲伤情绪，让具有上述情绪的人抚摸机器人，并采集训练数据，进行人工标定。

可见，神经网络输入为13个传感器的数字量及其被抚摸时长；神经网络输出为四种情绪，人工标定为快乐（0，0，1，0）、轻松（0，0，1，0）、悲伤（0，0，1，0）、愤怒（0， 0，1，0）。神经网络训练输入和训练输出示例如表3所示。

4.1.2 神经网络的搭建

本实验的神经网络输出为四种情感模型，为多分类问题，采用softmax回归，可以在识别某一分类时做出预测。损失函数采用交叉熵函数^[13]，如公式（1）所示。在具体实验时，神经网络的输入为26个节点，输出为4个节点，隐藏层神经元的个数为 5 个，学习率为0.2。图10为本实验的神经网络结构图。

4.1.3 实验过程

BP 神经网络情感模型的实验过程主要分为五个部分^[14]。第一部分是数据的读入。将已经收集好的数据按照训练输入、训练输出、预测输入、预测输出存放在文本文档中，然后再存到对应的数组中。第二部分是数据的归一化和权值的初始化。使用公式（2）进行数据的归一化，并对所有权值进行初始化，保证它们都在[0，1]。第三部分是进行神经网络的训练。对所有样本正向计算网络的输出，计算网络的总误差，然后再根据总误差反向计算修正权值，只有当训练数据被训练过20000次和总误差小于等于0.1时才可进入预测数据的检测，根据训练数据得到的权值计算预测数据的误差；只有当预测数据的平均误差小于等于0.12时，神经网络的训练才算结束；否则一直循环上述步骤，直到满足条件为止。第四部分是权值的输出，将训练的权值保存在指定的文本文档中。第五部分是将程序移植到 stm32 芯片上，进行实时的情感检测。

InpointData为输入数据，InpointDataMIN为输入多样本数据中同类型输入数据的最小值，InpointDataMAX为输入多样本数据中同类型输入数据的最大值。

4.2 实验结果

4.2.1 神经网络训练结果

损失函数输出随训练次数增加的下降曲线如图11所示。从图11中可以看出，经过多次训练，损失函数逐渐收敛，并趋向于0。

4.2.2 情绪分类实验检测结果

情绪分类实验检测结果见表 4。从表 4中可以看出准确率达 60%以上，以下对准确率不高的原因进行分析。

（1）硬件条件的局限性。应变片太小，感知力度存在误差；应变片的数量太少，部分位置检测不到。

（2）神经网络没有训练出最优解。超参数的设定需要根据神经网络反复训练来选择合适的，由于最后要将神经网络嵌入 stm32芯片中，保证情感的实时性，神经网络的规模不能太大，所以隐藏层的个数只有一层不是最优的。学习率在默认情况下是很难找到最优的，需要进行反复多次的尝试。隐藏层神经元的个数不是选择最优的，太少的神经元数量没有能力来表达任务，太多的神经元会导致训练缓慢。

（3）训练数据不够多。训练数据较少，训练过程发生过拟合的情况。

（4）抚摸动作与情感之间的对应关系还没有相关的科学证明。