The present invention discloses the brain waves of emotion recognition method based on quantum wavelet neural network model includes the following steps: EEG data sets of regularization, the regularization of the data pre-processing, the data after preprocessing and feature extraction using three layer feedforward neural network of small quantum wave data classification the quantum wavelet neural network hidden layer adaptive basis function using Mexican hat wavelet function, evaluate the value of arousal analysis. The invention achieves faster convergence speed and higher cognitive accuracy.
【技术实现步骤摘要】
基于量子小波神经网络模型的脑电波情绪认知方法
本专利技术涉及一种脑电波的情绪认知方法,特别是一种基于量子神经网络和小波理论相结合的脑电波数据情绪认知方法。
技术介绍
近些年来,一些新形式的数字媒体与人体的交互在娱乐,学习等领域有着巨大的潜力和市场。然而情绪在人类的生活中扮演着重要的角色,所以在计算机接口的应用中,基于情绪认知的需求与日俱增。人类有六种基本的情绪,即快乐、悲伤、恐惧、惊讶、愤怒、嫉妒。这六种情绪可以相互组合,并派生出其余各种各样的复合情绪,如忧郁、紧张、焦虑等。情绪认知是人工智能、人机交互等领域的关键技术。信息时代的来临,要求机器能够更友好的理解和表达人类的情绪,在现实生活中,情绪认知已经应用到医疗、教育、商业等领域,但是由于情绪是一个非常复杂的认知过程,情绪认知若想取得较好效果,有赖于不断深入的研究。脑电信号是一种电生理信号,具有客观性和精确性,能直接反映大脑的活动,因而被广泛应用到情绪认知中。脑电波(Electroencephalogram,EEG)与情绪有着紧密的联系,脑电波是大脑在活动时,大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化,是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映,其频率变动范围在每秒1-30次之间,可划分为四个波段,即δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)。其中,α指数(即α波占全部脑波百分比,安静、闭目时α指数为75%)可以作为情绪表现的指标,情绪稳定而思维广博的人,α指数较高,情绪不稳定而狭隘偏激的人α指数则甚低。α波易受外界刺激干扰,在睁 ...
【技术保护点】
基于量子小波神经网络模型的脑电波情绪认知方法,其特征在于,包括以下步骤:步骤一,将采集的脑电波数据集进行正则化,正则化后的值在0到1之间;步骤二,对正则化后的数据进行预处理,具体是采用独立主成分分析法将干扰数据从脑电波数据中移除;步骤三,对预处理后的数据进行特征提取,具体采用聚类技术通过选择特定的特征来减小数据集的大小;步骤四,采用三层前向型量子小波神经网络对数据进行分类,其中量子小波神经网络的隐层适应基函数采用Mexican‑hat小波函数,该函数具体的表达式为:
【技术特征摘要】
1.基于量子小波神经网络模型的脑电波情绪认知方法,其特征在于,包括以下步骤:步骤一,将采集的脑电波数据集进行正则化,正则化后的值在0到1之间;步骤二,对正则化后的数据进行预处理,具体是采用独立主成分分析法将干扰数据从脑电波数据中移除;步骤三,对预处理后的数据进行特征提取,具体采用聚类技术通过选择特定的特征来减小数据集的大小;步骤四,采用三层前向型量子小波神经网络对数据进行分类,其中量子小波神经网络的隐层适应基函数采用Mexican-hat小波函数,该函数具体的表达式为:其中t为时间变量;步骤五,进行评价值唤醒程度分析。2.如权利要求1所述的基于量子小波神经网络模型的脑电波情绪认知方法,其特征在于,采用所述独立主成分分析法移除干扰数据具体包括以下步骤:(1)将步骤一中正则化的数据记为K2(t),K3(t)...Kn(t)并与期望信号K1(t)一起作为输入信号K(t)=[K1(t);K2(t);K3(t);...Kn(t)]进行独立主成分分析,得到分离信号S(t)=[S1(t);S2(t);S3(t);...Sn(t)];(2)将分离信号分别进行频谱分析,根据理想信号S'(t)特征确定目标信号S1(t);(3)采用频谱校正法对独立主成分分析后的分离信号S1(t)进行频谱恢复,最后得到去除干扰信号的Y(t)信号。3.如权利要求1所述的基于量子小波神经网络模型的脑电波情绪认知方法,其特征在于,采用所述聚类技术进行特征提取的步骤包括:1)将每个脑电波数据分割为n个组,各组称为特殊的时间间隔簇;2)把每个簇划分为m个特殊期间的子簇;3)从每个子簇的数据点中提取八个统计特征,这些脑电波数据的统计特征分别是:最小值,最大值,均值,中值,第一四分位范围,第三四分位范围,四分位全距和标准差。4.如权利要求1所述的基于量子小波神经网络模型的脑电波情绪认知方法,其特征在于,所述三层前向型量子小波神经网络的训练包括以下步骤:①、将所有的训练输入向量输入到量子小波神经网络,量子小波神经网络采用三层前向型神经网络,输入层包含ni个节点,隐层包含nh个多层节点,输出层包含no个节点。wjl表示第l个输入节点到第j个隐层节点的权值,vij表示第j个隐层节点到第i个输出层节点的权值,记这里m表示数据集X的期望向量的数目;假设一个多层隐层节点有ns个离散的量子层,则激励函数可以写成由ns个子激励函数的叠加,并由θs进行转换,其假设模型的具体表达式如下:其中,表示隐层节点的激励函数,β表示斜率参数,θs表示量子间隔,λj表示伸缩因子,τj表示转移因子;输出层的输出向量为:其中QWNN模型的一般表达式为:其中k表示样本的数量;②、QWNN权值的更新:代价...
【专利技术属性】
技术研发人员:陈豪,钟瑞宇,王耀宗,蔡品隆,张丹,张景欣,骆炜,
申请(专利权)人:泉州装备制造研究所,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。