一种情感脑电信号识别方法及系统技术方案

本发明专利技术公开了一种情感脑电信号识别方法及系统。该方法包括：建立两层多分类模型；两层多分类模型为OAA‑OAO‑RVM模型；通过果蝇算法优化两层多分类模型的核参数，得到优化后的两层多分类模型；获取情感脑电信号；对信号进行预处理，得到去除干扰后的情感脑电信号；对去除干扰后的情感脑电信号进行特征提取，得到情感脑电信号特征数据；通过得到优化后的两层多分类模型对情感脑电信号特征数据进行识别。本发明专利技术构造全新的两层多分类模型OAA‑OAO‑RVM，该模型有效去除一部分无效投票从而使分类精度得到显著提高，并且降低了分类过程的计算复杂度。本发明专利技术还使用果蝇算法对模型中的核参数进行了优化，使得最终得到的对脑电信号情感识别率最佳。

An Emotional EEG Signal Recognition Method and System

The invention discloses an emotional EEG signal recognition method and system. The method includes: establishing two-level and multi-classification model; two-level and multi-classification model is OAA OAO RVM model; optimizing the core parameters of two-level and multi-classification model by Drosophila algorithm to obtain the optimized two-level and multi-classification model; acquiring emotional EEG signal; preprocessing the signal to get the emotional EEG signal after removing interference; and characterizing the emotional EEG signal after removing interference. The feature data of emotional EEG signals are extracted, and the feature data of emotional EEG signals are recognized by the optimized two-layer multi-classification model. The invention constructs a new two-layer multi-classification model OAA OAO RVM, which effectively removes part of invalid votes, thus greatly improves the classification accuracy and reduces the computational complexity of the classification process. The present invention also uses Drosophila algorithm to optimize the nuclear parameters in the model, so that the final emotion recognition rate of EEG signal is the best.

【技术实现步骤摘要】
一种情感脑电信号识别方法及系统
本专利技术涉及脑电数据分析领域，特别是涉及一种情感脑电信号识别方法及系统。
技术介绍
近年来，情感计算在实际生活中的应用已经取得了很大的进步，有效的改善了人们的生活。通过计算机对人类的情绪变化进行模拟和数学方式的计算，能够对人类的行为知识有一个基础的了解，促进人与计算机之间的和谐交流，推进人工智能的实现。一方面，能够在一定范围内改变以往人与计算机之间命令式的、无反馈的交流方式；另一方面，还可在现有的基础上，有效提高计算机的工作效率。综上，研究人类的情感变化特征对个体的健康和保障至关重要。脑电信号是一种复杂的非线性信号，而非线性指标可以很好的揭示大脑的混沌行为，所以利用脑电信号对人类情感进行识别能较准确的反应人类真实的情感变化。由于情感脑电信号在采集过程中极易受外界环境(如噪声、人为干扰等)和其他生理信号的干扰，使得采集到的各脑电信号之间容易产生串扰、信噪比低等问题；而脑电信号本身所具有的时变、非平稳、非线性以及信号维度大等特性，使得对脑电信号的情感计算较为复杂，识别过程耗时较长，识别精度受影响。因此，鉴于情感脑电信号的分析处理技术与其自身的特点存在着紧密的联系，使得分类方法的计算复杂度和识别准确率等特性可以有效的提高在脑电信号情感识别精度。目前常用的多分类方法有OAO、OAA等，其中，前者分类精度较高且应用最广泛。在OAO算法中，待测样本要遍历所有的二分类器，使其会产生一部分的无效投票，从而降低识别精度；而OAA算法中训练样本的不均衡特点会导致待测样本被错分的概率增加。综上，这两种方法都会使目前对脑电信号的情感识别精度受限。
技术实现思路
针对上述问题，本专利技术提供了一种情感脑电信号识别方法及系统。为实现上述目的，本专利技术提供了如下方案：一种情感脑电信号识别方法，所述方法包括：建立两层多分类模型；所述两层多分类模型为OAA-OAO-RVM模型；通过果蝇算法优化所述两层多分类模型的核参数，得到优化后的两层多分类模型；获取情感脑电信号；对所述信号进行预处理，得到去除干扰后的情感脑电信号；对所述去除干扰后的情感脑电信号进行特征提取，得到情感脑电信号特征数据；通过优化后的两层多分类模型对所述情感脑电信号特征数据进行识别。可选的，在所述通过果蝇算法优化所述两层多分类模型的核参数，得到优化后的两层多分类模型，之前还包括：获取训练样本；所述训练样本为实验情感脑电信号；对所述训练样本进行预处理，得到去除干扰后的训练样本；对所述去除干扰后的训练样本进行特征提取，得到训练样本特征数据；将所述训练样本特征数据输入到所述两层多分类模型中，得到输出数据；判断所述输出数据是否在误差阈值范围内；若是，确定所述两层多分类模型正确；若否，通过果蝇算法优化所述两层多分类模型的核参数，使所述输出数据在误差阈值范围内。可选的，所述通过果蝇算法优化所述两层多分类模型的核参数，得到优化后的两层多分类模型，具体包括：初始化果蝇群体；所述果蝇群体包括多个果蝇个体，所述果蝇个体表示所述两层多分类模型的核参数；计算每个所述果蝇个体的适应度函数；选取适应度函数最高的果蝇个体为最优核函数；根据所述最优核函数，确定优化后的两层多分类模型。可选的，所述对所述信号进行预处理，得到去除干扰后的情感脑电信号，具体包括：对所述信号进行归一化处理；对归一化后的信号进行滤波，得到去除干扰后的情感脑电信号。可选的，所述对所述去除干扰后的情感脑电信号进行特征提取，得到情感脑电信号特征数据，具体包括：对所述去除干扰后的情感脑电信号进行特征提取，得到初始特征数据；采用单一维数叠加方法对所述初始特征数据进行融合处理；采用主成分分析法对融合后的特征数据进行降维处理，得到情感脑电信号特征数据。一种情感脑电信号识别系统，所述系统包括：建模模块，用于建立两层多分类模型；所述两层多分类模型为OAA-OAO-RVM模型；优化模块，用于通过果蝇算法优化所述两层多分类模型的核参数，得到优化后的两层多分类模型；第一获取模块，用于获取情感脑电信号；第一预处理模块，用于对所述信号进行预处理，得到去除干扰后的情感脑电信号；第一特征提取模块，用于对所述去除干扰后的情感脑电信号进行特征提取，得到情感脑电信号特征数据；识别模块，用于通过优化后的两层多分类模型对所述情感脑电信号特征数据进行识别。可选的，所述系统还包括：第二获取模块，用于获取训练样本；所述训练样本为实验情感脑电信号；第二预处理模块，用于对所述训练样本进行预处理，得到去除干扰后的训练样本；第二特征提取模块，用于对所述去除干扰后的训练样本进行特征提取，得到训练样本特征数据；输入模块，用于将所述训练样本特征数据输入到所述两层多分类模型中，得到输出数据；判断模块，用于判断所述输出数据是否在误差阈值范围内；确定模块，用于当所述输出数据在误差阈值范围内时，确定所述两层多分类模型正确；当所述输出数据在误差阈值范围之外时，通过优化模块优化所述两层多分类模型的核参数，使所述输出数据在误差阈值范围内。可选的，所述优化模块具体包括：初始化单元，用于初始化果蝇群体；所述果蝇群体包括多个果蝇个体，所述果蝇个体表示所述两层多分类模型的核参数；计算单元，用于计算每个所述果蝇个体的适应度函数；选取单元，用于选取适应度函数最高的果蝇个体为最优核函数；确定单元，用于根据所述最优核函数，确定优化后的两层多分类模型。可选的，所述第一预处理模块，具体包括：归一化单元，用于对所述信号进行归一化处理；滤波单元，用于对归一化后的信号进行滤波，得到去除干扰后的情感脑电信号。可选的，所述第一特征提取模块具体包括：提取单元，用于对所述去除干扰后的情感脑电信号进行特征提取，得到初始特征数据；融合单元，用于采用单一维数叠加方法对所述初始特征数据进行融合处理；降维单元，用于采用主成分分析法对融合后的特征数据进行降维处理，得到情感脑电信号特征数据。与现有技术相比，本专利技术具有以下技术效果：本专利技术通过综合OAA算法的特点对OAO算法进行改进，构造全新的两层多分类算法：OAA-OAO-RVM，该算法有效去除一部分无效投票从而使分类精度得到显著提高，并且大大降低了分类过程的计算复杂度。同时，本专利技术还使用了果蝇算法对OAA-OAO-RVM模型中的核参数进行了优化，通过在全局范围内对核参数的值搜寻最优解，使得最终得到的对脑电信号情感识别率最佳。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例情感脑电信号识别方法的流程图；图2为本专利技术实施例OAA-OAA-RVM模型的分类流程图；图3为本专利技术实施例64导联的电极信号分布；图4为本专利技术实施例情感脑电信号识别系统的结构框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的目的是提出一种情感脑电信号识本文档来自技高网...

【技术保护点】
1.一种情感脑电信号识别方法，其特征在于，所述方法包括：建立两层多分类模型；所述两层多分类模型为OAA‑OAO‑RVM模型；通过果蝇算法优化所述两层多分类模型的核参数，得到优化后的两层多分类模型；获取情感脑电信号；对所述信号进行预处理，得到去除干扰后的情感脑电信号；对所述去除干扰后的情感脑电信号进行特征提取，得到情感脑电信号特征数据；通过所述优化后的两层多分类模型对所述情感脑电信号特征数据进行识别。

【技术特征摘要】
1.一种情感脑电信号识别方法，其特征在于，所述方法包括：建立两层多分类模型；所述两层多分类模型为OAA-OAO-RVM模型；通过果蝇算法优化所述两层多分类模型的核参数，得到优化后的两层多分类模型；获取情感脑电信号；对所述信号进行预处理，得到去除干扰后的情感脑电信号；对所述去除干扰后的情感脑电信号进行特征提取，得到情感脑电信号特征数据；通过所述优化后的两层多分类模型对所述情感脑电信号特征数据进行识别。2.根据权利要求1所述的情感脑电信号识别方法，其特征在于，在所述通过果蝇算法优化所述两层多分类模型的核参数，得到优化后的两层多分类模型，之前还包括：获取训练样本；所述训练样本为实验情感脑电信号；对所述训练样本进行预处理，得到去除干扰后的训练样本；对所述去除干扰后的训练样本进行特征提取，得到训练样本特征数据；将所述训练样本特征数据输入到所述两层多分类模型中，得到输出数据；判断所述输出数据是否在误差阈值范围内；若是，确定所述两层多分类模型正确；若否，通过果蝇算法优化所述两层多分类模型的核参数，使所述输出数据在误差阈值范围内。3.根据权利要求1所述的情感脑电信号识别方法，其特征在于，所述通过果蝇算法优化所述两层多分类模型的核参数，得到优化后的两层多分类模型，具体包括：初始化果蝇群体；所述果蝇群体包括多个果蝇个体，所述果蝇个体表示所述两层多分类模型的核参数；计算每个所述果蝇个体的适应度函数；选取适应度函数最高的果蝇个体为最优核函数；根据所述最优核函数，确定优化后的两层多分类模型。4.根据权利要求1所述的情感脑电信号识别方法，其特征在于，所述对所述信号进行预处理，得到去除干扰后的情感脑电信号，具体包括：对所述信号进行归一化处理；对归一化后的信号进行滤波，得到去除干扰后的情感脑电信号。5.根据权利要求1所述的情感脑电信号识别方法，其特征在于，所述对所述去除干扰后的情感脑电信号进行特征提取，得到情感脑电信号特征数据，具体包括：对所述去除干扰后的情感脑电信号进行特征提取，得到初始特征数据；采用单一维数叠加方法对所述初始特征数据进行融合处理；采用主成分分析法对融合后的特征数据进行降维处理，得到情感脑电信号特征数据。6.一种情感脑电信号识别系统，其特征在于，所述系统包括：建模模块，用于建立两层多...

【专利技术属性】
技术研发人员：张雪英，陈桂军，王薇蓉，孙颖，黄丽霞，李凤莲，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14