1.一种情绪精细划归模型构建方法，所述情绪精细划归模型构建方法作用于分组数据集中的每一个分组，其特征在于，包括：计算分组内所有情绪信号矢量的致密度，并选取致密度最低的情绪信号矢量为目标情绪信号矢量；

计算所述目标情绪信号矢量对应的目标邻域集；

选出包含情绪信号矢量数量最多的K个目标邻域；

获取每个目标邻域中对应的目标情绪信号矢量作为子归类中心；

获取子归类中心对应的原始情绪矢量。

2.根据权利要求1所述的方法，其特征在于，所述分组数据集的获取方法包括：获取原始数据集，所述原始数据集中的每个元素均包括原始生理信号数据包和原始情绪向量；

从原始数据集中提取情绪信息，构建与原始数量集中的元素一一对应的训练集，所述训练集中的元素均为情绪信号构成的情绪信号矢量，所述情绪信号矢量与所述原始情绪向量之间具备一一对应关系；

根据原始情绪向量为所述情绪信号矢量进行分组，得到分组数据集。

3.根据权利要求2所述的方法，其特征在于：原始情绪向量的各个位置的含义依次为：讶异程度、狂喜程度、愤怒程度、悲痛程度、警惕程度、热爱程度、憎恨程度、恐慌程度；

原始情绪向量最大值所在元素位置相同的原始情绪向量被归结为一组，相应的，其对应的情绪信号矢量也被归结为一组得到惊异数据组、狂喜数据组、愤怒数据组、悲痛数据组、警惕数据组、热爱数据组、憎恨数据组和恐慌数据组；相应的，这八组的分组编号为0-7。

4.根据权利要求1所述的方法，其特征在于：情绪信号矢量ai的致密度为 其中 其中n为分组内的情绪信号矢量个数。

5.根据权利要求1所述的方法，其特征在于：所述目标邻域集中的元素为目标邻域。本发明实施例中的目标邻域为以目标情绪信号矢量为中心，M-1倍的R半径和M倍的R半径所形成环形区域中所有情绪信号矢量的集合，M为目标邻域的特征值。本发明实施例中R半径与情绪信号矢量的致密度有关，具体地，其中q为可调节系数，O(xi)为情绪信号矢量ai的致密度。各个目标邻域的特征值分别为

6.一种自动进行情绪精细获取的方法，其特征在于，包括：采集原始生理信号；

对所述原始生理信号进行数据处理，得到其对应的情绪信号矢量；

根据预设神经网络模型获取所述情绪信号矢量对应的分组编号以得到目标分组；

计算所述目标分组中的各个子归类中心与所述情绪信号矢量的距离；

输出距离最近的子归类中心对应的原始情绪矢量。