基于卷积神经网络的脑电情感分类方法技术

本发明专利技术公开一种基于卷积神经网络的脑电情感分类方法，首先从数据集中取出全部脑电通道的数据和A维度、V维度对应的标签作为原始数据集和标签集；然后将数据集中每一行作为一个样本，使用经验小波变换（EWT）对其进行处理，取出所有行返回的前4个经验模态数据组成新的数据集D'；将D'输入到已经经过初始化设置的卷积神经网络模型中，输出节点即对应的LA/HA,LV/HV类别。本发明专利技术分类准确率高，A维度的分类准确率达到75.25%，V维度的分类准确率达到83.30%。

【技术实现步骤摘要】
基于卷积神经网络的脑电情感分类方法
本专利技术涉及一种情感分类方法，尤其是一种根据人的脑电信号客观判定人类情感类别的基于卷积神经网络的脑电情感分类方法。
技术介绍
人类情感是一种心理-生理过程，通常由对象或情境的有意识或无意识的感知而触发，往往与情绪、气质、个性、性格以及动机有关。人的情感在其进行决策处理、互相交往和认知过程中扮演着非常重要的角色，它可以通过情感词汇、声音腔调、面部表情和手势等非语言线索表达出来。近年来，随着信息技术的不断提升和对情感理解的不断深入，情感识别已在文本、言语、面部表情方面取得了较大进展。此外，由于脑电信号的获取不容易被侵入，而且价格也更实惠，并能广泛应用于医疗领域中，因此基于脑电的自动情感识别技术也越来越受到人们的关注。现有的基于脑电的情感分类方法主要是基于传统的机器学习方法，比如贝叶斯网络，神经网络，支持向量机（SVM）等。以广泛使用的SVM为例，它是一种有监督的机器学习方法。当类之间为线性可分时，它估计一个最佳的超平面，最好的分离两个类；当这些类不是线性可分时，SVM使用将原始数据映射到新的特征空间的方法，使得数据变得线性可分。尽管SVM受到广泛关注，但也有以下不足：第一，它在对原始脑电数据直接分类上表现不佳，需要通过专家进行结构设计与特征提取来减少冗余的信息，才能得到较好分类效果，前期步骤相对繁琐。第二，由于需要进行特征提取过程，其结果缺少一定的客观性，对大量数据内部存在的复杂、分散、微妙模式的发现能力有限。
技术实现思路
本专利技术是为了解决现有技术所存在的上述技术问题，提供一种根据人的脑电信号客观判定人类情感类别的基于卷积神经网络的脑电情感分类方法。本专利技术的技术解决方案是：一种基于卷积神经网络的脑电情感分类方法，其特征在于按如下步骤进行：约定：D指所处理的数据集；L指标签集；A维度指情感维度中的Arousal维，即唤醒度；V维度指情感维度中的Valence维，即效价；LA指唤醒度评价值小于5的一类；HA指唤醒度评价值大于5的一类；LV指效价评价值小于5的一类；HV指效价评价值大于5的一类；a.初始数据获取分别选用数据集中所有脑电通道的数据及A维度和V维度情感标签作为初始数据集D和标签集L1，L2；b.经验小波变换处理数据对脑电通道的每个脑电情感数据原始信号f(t)进行经验小波变换，分解成N+1个经验模态之和，式中是第k个经验模态：b.1对原始信号f(t)的傅立叶频谱进行自适应地分割，将频率范围分割成N个连续的部分，其中是傅立叶频谱相邻的两个极大值点之间的中点；b.2确定分割区间后，对其加小波窗，并分别确定经验尺度函数和经验小波函数如下：，，式中：，，；b.3经验小波构造完成后，根据下式，将数据进行经验小波变换，取其得到的前4个经验模态数据，构成新的数据集D'，D'的行数为D的4倍；c.用卷积神经网络模型进行特征选择和学习c.1对卷积神经网络模型进行初始化，设定批大小batch-size=128，时期数epoch=9，类别数classes=2；c.2加载D'进行第一次卷积，设定局部感受野大小为12*3，特征映射个数为100，取Rectilinearunits为A维度分类时的激活函数，取TanHyperbolic为V维度分类时的激活函数，得到新的数据集D''；c.3将D''作为输入进行第二次卷积，设定局部感受野大小为12*3，特征映射个数为100，取TanHyperbolic为激活函数，得到新的数据集；c.4将c.3中得到的数据集输入到混合层中，简化卷积后的特征映射，使用最大值混合的方法，取混合单元大小为2*2；c.5最后一层为全连接层，使用TanHyperbolic为激活函数，将最大值混合后的所有特征映射与输出节点进行全连接，输出节点即对应的LA/HA,LV/HV类别。与现有技术相比，本专利技术具有以下有益效果：第一，本专利技术直接对原始数据进行处理，与传统机器学习方法相比不需要进行特征提取选择这一步骤，简化了数据处理过程，更完全的保留了数据中包含的信息。第二，本专利技术对数据中存在的复杂的，散乱的和微妙的模式的发现能力更强，可以将数据进行更高维度的抽象处理，得到更好分类精度。A维度的分类准确率为75.25%，V维度的分类准确率为83.30%。第三，深度学习方法对数据处理能得到更高层次的特征，对原始数据中存在的噪声具有更好的鲁棒性。具体实施方式本专利技术的一种基于卷积神经网络的脑电情感分类方法，按照如下步骤进行：约定：D指所处理的数据集；L指标签集；A维度指情感维度中的Arousal维，即唤醒度；V维度指情感维度中的Valence维，即效价；LA指唤醒度评价值小于5的一类；HA指唤醒度评价值大于5的一类；LV指效价评价值小于5的一类；HV指效价评价值大于5的一类；b.初始数据获取分别选用DEAP数据集中所有脑电通道的数据及A维度和V维度情感标签作为初始数据集D和标签集L1，L2；DEAP数据集是由Koelstra等人构建的一个多模态情感数据库，它包含了32个受试者观看40个时长为1分钟的音乐视频，记录了32个通道的脑电信号，以及8个通道的外围生理信号，采样频率为128Hz。每个受试者观看完一个视频后，都会对视频从唤醒度、效价、喜爱度、熟悉度等四个维度进行评分。本专利技术实施例是在python环境下执行的，所涉及到的标准数据库可从：http://www.eecs.qmul.ac.uk/mmv/datasets/deap下载。本专利技术实施例仅对DEAP数据集中的脑电信号进行处理，数据集中包含32×40=1280个数据样本。b.经验小波变换（EWT）处理数据对脑电通道的每个脑电情感数据原始信号f(t)进行经验小波变换，分解成N+1个经验模态之和，式中是第k个经验模态：b.1对原始信号f(t)的傅立叶频谱进行自适应地分割，将频率范围分割成N个连续的部分，其中是傅立叶频谱相邻的两个极大值点之间的中点；b.2确定分割区间后，对其加小波窗，并分别确定经验尺度函数和经验小波函数如下：，，式中：，，；b.3经验小波构造完成后，根据下式，将数据进行经验小波变换，取其得到的前4个经验模态数据，构成新的数据集D'，D'的行数为D的4倍；c.用卷积神经网络模型进行特征选择和学习c.1对卷积神经网络模型进行初始化，设定批大小batch-size=128，时期数epoch=9，类别数classes=2；c.2加载D'进行第一次卷积，设定局部感受野大小为12*3，特征映射个数为100，取Rectilinearunits为A维度分类时的激活函数，取TanHyperbolic为V维度分类时的激活函数，得到新的数据集D''；c.3将D''作为输入进行第二次卷积，设定局部感受野大小为12*3，特征映射个数为100，取TanHyperbolic为激活函数，得到新的数据集；c.4将c.3中得到的数据集输入到混合层中，简化卷积后的特征映射，使用最大值混合（MaxPooling）的方法，取混合单元大小为2*2；c.5最后一层为全连接层，使用TanHyperbolic为激活函数，本层即将最大值混合后的所有特征映射与输出节点进行全连接，输出节点即对应的LA/HA,LV/HV类别。本专利技术实施例与其他同样使用DEAP数据库的方法进行了比较本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的脑电情感分类方法，其特征在于按如下步骤进行：约定：D指所处理的数据集；L指标签集；A维度指情感维度中的Arousal维，即唤醒度；V维度指情感维度中的Valence维，即效价；LA指唤醒度评价值小于5的一类；HA指唤醒度评价值大于5的一类；LV指效价评价值小于5的一类；HV指效价评价值大于5的一类；初始数据获取分别选用数据集中所有脑电通道的数据及A维度和V维度情感标签作为初始数据集D和标签集L1，L2；b. 经验小波变换处理数据对脑电通道的每个脑电情感数据原始信号

【技术特征摘要】
1.一种基于卷积神经网络的脑电情感分类方法，其特征在于按如下步骤进行：约定：D指所处理的数据集；L指标签集；A维度指情感维度中的Arousal维，即唤醒度；V维度指情感维度中的Valence维，即效价；LA指唤醒度评价值小于5的一类；HA指唤醒度评价值大于5的一类；LV指效价评价值小于5的一类；HV指效价评价值大于5的一类；初始数据获取分别选用数据集中所有脑电通道的数据及A维度和V维度情感标签作为初始数据集D和标签集L1，L2；b.经验小波变换处理数据对脑电通道的每个脑电情感数据原始信号f(t)进行经验小波变换，分解成N+1个经验模态之和，式中是第k个经验模态：b.1对原始信号f(t)的傅立叶频谱进行自适应地分割，将频率范围分割成N个连续的部分，其中是傅立叶频谱相邻的两个极大值点之间的中点；b.2确定分割区间后，对其加小波窗，并分别确定经验尺度函数和经验小波函数如下：，，式中：，，；b.3经验小波构造完成后，根据下式，将数据进行经验小波变换，取其得到的...

【专利技术属性】
技术研发人员：张永，任永功，程程，
申请(专利权)人：辽宁师范大学，
类型：发明
国别省市：辽宁,21