一种基于脑电信号的情绪分类方法、装置和存储介质制造方法及图纸

本发明专利技术涉及一种基于脑电信号的情绪分类方法、装置和存储介质。该方法包括：获取脑电信号序列数据；根据具有标定的超参数范围的分类器，按照十折交叉验证要求，选择脑电信号序列数据中的一部分作为训练集组，另一部分作为验证集组；将训练集组和验证集组中的元素映射为复杂网络，并确定网络特征统计指标；根据训练集组和验证集组对应的网络特征统计指标生成多通道脑电地形图分别作为训练数据和验证数据；分别采用训练数据和验证数据对分类器进行训练和验证，并基于十折交叉验证法确定最优分类器；选择最优分类器，基于脑电信号进行情绪分类。本发明专利技术的技术方案在对基于脑电信号进行情绪分类时，具有较强的抗缺失值性和抗噪性。

【技术实现步骤摘要】
一种基于脑电信号的情绪分类方法、装置和存储介质
本专利技术涉及计算机应用
，具体涉及一种基于脑电信号的情绪分类方法、装置和存储介质。
技术介绍
情绪识别与分类对大脑功能机制研究、各种精神类疾病的检测以及与人工智能间的人机交互等领域都有重要意义。目前情绪识别主要基于人类的外在行为表现或生理信号序列得以实现。相比外在行为，由于生理信号序列不受主观意志控制，因此它应能更准确地表现人的情绪。基于脑电信号(EEG)的情绪分类正是其主要研究内容之一。但由于脑电信号中含有大量噪声以及和情绪无关的信息，如何获得脑电信号中“微弱”的情绪特征仍是一项极有挑战性的工作。目前，主要方法是利用某些波段脑电信号的复杂性特征和深度信念网络(DBN)实现情绪分类，分类结果准确率有待提高。另外，需要保留细节信息的特性导致上述方法抗缺失值性和抗噪性不强，在实际应用时对数据的清洁性要求高，鲁棒性不强。
技术实现思路
针对现有技术的不足，本专利技术提供一种基于脑电信号的情绪分类方法、装置和存储介质。第一方面，本专利技术提供了一种基于脑电信号的情绪分类方法，该方法包括：步骤1，获取脑电信号序列数据。步骤2，根据具有标定的超参数范围的人工智能分类器，按照十折交叉验证要求，选择所述脑电信号序列数据中的一部分作为训练集组，另一部分作为验证集组。步骤3，将所述训练集组和所述验证集组中的元素映射为复杂网络，并确定网络特征统计指标。步骤4，根据所述训练集组和所述验证集组对应的所述网络特征统计指标生成多通道脑电地形图分别作为训练数据和验证数据。步骤5，遍历所有超参数，分别采用所述训练数据和所述验证数据对所述人工智能分类器进行训练和验证，并基于十折交叉验证法确定具有最优模型的人工智能分类器。步骤6，选择所述具有最优模型的人工智能分类器，基于脑电信号进行情绪分类。第二方面，本专利技术提供了一种基于脑电信号的情绪分类装置，该装置包括：获取模块，用于获取脑电信号序列数据。第一处理模块，用于根据具有标定的超参数范围的人工智能分类器，按照十折交叉验证要求，选择所述脑电信号序列数据中的一部分作为训练集组，另一部分作为验证集组。第二处理模块，用于将所述训练集组和所述验证集组中的元素映射为复杂网络，并确定网络特征统计指标。第三处理模块，用于根据所述训练集组和所述验证集组对应的所述网络特征统计指标生成多通道脑电地形图分别作为训练数据和验证数据。第四处理模块，用于遍历所有超参数，分别采用所述训练数据和所述验证数据对所述人工智能分类器进行训练和验证，并基于十折交叉验证法确定具有最优模型的人工智能分类器。分类模块，用于选择所述具有最优模型的人工智能分类器，基于脑电信号进行情绪分类。第三方面，本专利技术提供了一种基于脑电信号的情绪分类装置，该装置包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的基于脑电信号的情绪分类方法。第四方面，本专利技术提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于脑电信号的情绪分类方法。本专利技术提供的基于脑电信号的情绪分类方法、装置和存储介质的有益效果是，能够基于脑电信号序列的复杂网络范式下的特征和人工智能分类器较准确地实现情绪分类，在对脑电信号序列进行复杂网络化时，具有较好的鲁棒性，在实际应用中具备较强的抗缺失值性和抗噪性。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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的一种基于脑电信号的情绪分类方法的流程示意图；图2为本专利技术实施例的一种基于脑电信号的情绪分类装置的结构框图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。如图1所示，本专利技术实施例的一种基于脑电信号的情绪分类方法包括：步骤1，获取脑电信号序列数据。步骤2，根据具有标定的超参数范围的人工智能分类器，按照十折交叉验证要求，选择所述脑电信号序列数据中的一部分作为训练集组，另一部分作为验证集组。步骤3，将所述训练集组和所述验证集组中的元素映射为复杂网络，并确定网络特征统计指标。步骤4，根据所述训练集组和所述验证集组对应的所述网络特征统计指标生成多通道脑电地形图分别作为训练数据和验证数据。步骤5，遍历所有超参数，分别采用所述训练数据和所述验证数据对所述人工智能分类器进行训练和验证，并基于十折交叉验证法确定具有最优模型的人工智能分类器。步骤6，选择所述具有最优模型的人工智能分类器，基于脑电信号进行情绪分类。本实施例的基于脑电信号的情绪分类方法能够基于脑电信号序列的复杂网络范式下的特征和人工智能分类器较准确地实现情绪分类，在对脑电信号序列进行复杂网络化时，具有较好的鲁棒性，在实际应用中具备较强的抗缺失值性和抗噪性。优选地，所述步骤1的具体实现包括：获取具有标签的脑电信号序列数据，并对所述脑电信号序列数据进行带通滤波处理。优选地，人工智能分类器可以为神经网络分类器，其超参数包括中间层神经元数量、层数以及CNN网络卷积核尺寸、DropOut比例等。优选地，训练数据可表示为TrainSet，验证数据可表示为TestSet，所述步骤3包括：步骤3.1，基于多尺度熵的时间窗宽估计方法对所述训练集组的元素进行分割，并取时间窗宽的中位数作为统一的时间窗宽。具体地，以脑电信号复杂网络化为例，将原序列转化为变化率序列，令rt＝xt。指定尺度参数取值范围τ∈T，对某τ，令yt＝mean{r(t-1)τ+1,r(t-1)τ+2,…,rtτ}，生成均值序列指定嵌入维数m为2，产生嵌入向量序列{Ri}，其中Ri＝[yi+1,yi+2,…,yi+m]T。指定相容性阈值θ为0.2，计算均值序列的样本熵其中N代表序列长度(实际上，对有限序列令N＝N1即可)，代表在相容性阈值θ下嵌入向量Ri按照无穷范数距离产生新模式的数量，|·|代表取向量的无穷范数(将有限维向量后部添上可数个0得到无限维向量)，σ(·)代表求集合的标准差。遍历所有τ∈T，得到的多尺度熵，即集合MSE({rt})＝{SEτ|τ∈Γ}。时间窗宽度其中mid是数集取中位数运算，在中位数不唯一时，使用其中的最小值作为width的取值，在中位数非整数时向0取整。遍历所有TrainSet的所有导联，将得到的所有width取中位数作为统一的时间窗宽width0。将所有信号序列分割为宽度为width0的时间序列片段其中m是测量序号，n是导联序号。在下文叙述中，在不会混淆的的情况下，简记为步骤3.2，确定所述训练集组中所有序列片段的数字特征和分位数矩阵，基于所述数字特征和所述分位数矩阵构建粗粒节点序列。具体地，对第一个导联，计算TrainSet中对应的所有脑电信号序列片段的M个数字特征，如均值、方差等，得到一个M维序列，找出其n分位数矩阵A＝(ai,j)，其中ai,j是此M维序列的第j分量列数据集的ith-n分位数。对于第一次测量的第一个片段的第一项数字特征DS1，如果ai-1,1＜DS1≤a本文档来自技高网...

【技术保护点】
1.一种基于脑电信号的情绪分类方法，其特征在于，所述方法包括：步骤1，获取脑电信号序列数据；步骤2，根据具有标定的超参数范围的人工智能分类器，按照十折交叉验证要求，选择所述脑电信号序列数据中的一部分作为训练集组，另一部分作为验证集组；步骤3，将所述训练集组和所述验证集组中的元素映射为复杂网络，并确定网络特征统计指标；步骤4，根据所述训练集组和所述验证集组对应的所述网络特征统计指标生成多通道脑电地形图分别作为训练数据和验证数据；步骤5，遍历所有超参数，分别采用所述训练数据和所述验证数据对所述人工智能分类器进行训练和验证，并基于十折交叉验证法确定具有最优模型的人工智能分类器；步骤6，选择所述具有最优模型的人工智能分类器，基于脑电信号进行情绪分类。

【技术特征摘要】
1.一种基于脑电信号的情绪分类方法，其特征在于，所述方法包括：步骤1，获取脑电信号序列数据；步骤2，根据具有标定的超参数范围的人工智能分类器，按照十折交叉验证要求，选择所述脑电信号序列数据中的一部分作为训练集组，另一部分作为验证集组；步骤3，将所述训练集组和所述验证集组中的元素映射为复杂网络，并确定网络特征统计指标；步骤4，根据所述训练集组和所述验证集组对应的所述网络特征统计指标生成多通道脑电地形图分别作为训练数据和验证数据；步骤5，遍历所有超参数，分别采用所述训练数据和所述验证数据对所述人工智能分类器进行训练和验证，并基于十折交叉验证法确定具有最优模型的人工智能分类器；步骤6，选择所述具有最优模型的人工智能分类器，基于脑电信号进行情绪分类。2.根据权利要求1所述的基于脑电信号的情绪分类方法，其特征在于，所述步骤1的具体实现包括：获取具有标签的脑电信号序列数据，并对所述脑电信号序列数据进行带通滤波处理。3.根据权利要求1所述的基于脑电信号的情绪分类方法，其特征在于，所述步骤3包括：步骤3.1，基于多尺度熵的时间窗宽估计方法对所述训练集组的元素进行分割，并取时间窗宽的中位数作为统一的时间窗宽；步骤3.2，确定所述训练集组中所有序列片段的数字特征和分位数矩阵，基于所述数字特征和所述分位数矩阵构建粗粒节点序列；步骤3.3，针对所述粗粒节点序列，基于概率转移方法连边并加权构建复杂网络，并使用相同参数，将所述验证集组也映射成复杂网络。4.根据权利要求3所述的基于脑电信号的情绪分类方法，其特征在于，所述网络特征统计指标包括：节点数量、边数、图密度、平均出度、出度标准差、节点出度的交叉熵、平均加权出度、加权出度标准差、加权出度的交叉熵、平均介数、介数标准差、介数交叉熵、平均聚类系数、聚类系数标准差和聚类系数交叉熵。5.根据权利要求1至4任一项所述的基于脑电信号的情绪分类方法，其特征在于，所述确定具有最优模型的人工智能分类器的具体实现包括：遍历所有所述训练数据和对应的所述验证数据，计算平均...

【专利技术属性】
技术研发人员：张泽麟，徐金玉，岳田，高旭，段梦冉，柯兵，程福求，
申请(专利权)人：湖北汽车工业学院，
类型：发明
国别省市：湖北,42