基于多尺度分析和集成树模型的脑电情感分类方法及系统技术方案

本发明专利技术公开了一种基于多尺度分析和集成树模型的脑电情感分类方法及系统，该方法及系统，首先需对脑电信号进行预处理，并采用变分模态分解算法对预处理后的信号进行多尺度分解，得到若干个不同尺度的IMF分量；然后，针对所选择的的IMF分量构建情感特征集；最后，采用Xgboost算法将情感特征集中的特征进行筛选,得到性能较好的特征子集，并将所述特征子集输入到集成树Xgboost分类模型中，进行脑电情感分类；本发明专利技术的优势在于克服脑电信号的不稳定性和非线性对情感识别带来的影响，提取出脑电信号的局部特征，使得脑电信号的模式信息得到更加好的表征；克服不同人之间的差异性导致的分布复杂性带来的影响。

Method and system of EEG emotion classification based on multi-scale analysis and integrated tree model

The invention discloses a method and system of EEG emotion classification based on multi-scale analysis and integrated tree model. The method and system first need to preprocess EEG signals, and then use the variational mode decomposition algorithm to decompose the preprocessed signals in multi-scale to get IMF components of different scales; then, construct emotion feature set for the selected IMF components Finally, xgboost algorithm is used to filter the features in the emotional feature set to obtain a feature subset with better performance, and the feature subset is input into the xgboost classification model of the integration tree for EEG emotional classification. The advantage of the invention is to overcome the influence of the instability and nonlinearity of EEG signals on emotional recognition, extract the local features of EEG signals, and The model information of EEG signals can be better represented, and the influence of distribution complexity caused by differences between different people can be overcome.

【技术实现步骤摘要】
基于多尺度分析和集成树模型的脑电情感分类方法及系统
本专利技术涉及人机情感交互领域，更具体地说，涉及一种基于多尺度分析和集成树模型的脑电情感识别方法及系统。
技术介绍
拥有情感是人类所特有的一种能力，包括识别情感、具有情感、表达情感等。赋予机器以情感智能是人工智能领域的研究热点。随着科学技术的快速发展，机器人已经进入到日常生活中的各个方面，人们对机器人提出了更高的要求，希望机器人具有感知人类情感，这类机器人称之为情感机器人，它的出现将改变传统的人机交互模式，实现人与机器人的情感交互。情感机器人是用人工的方法和技术赋予机器人以人类式的情感，使之具有识别、理解和表达喜乐哀怒的能力。日本工程学会首届院士、情感计算与智能机器人著名专家任福继教授指出，机器人革命已经进入“互联网+情感+智能”的时代，必须要让机器人具有情感。在此国际研究背景下，国家自然科学基金委员会于2004年将情感计算理论与方法研究列为重点项目，旨在通过计算机科学与心理学的结合，研究认知与情绪的交互作用，深入探讨情感计算理论、多模态情感识别以及它们在情感机器人中的应用等关键技术。作为情感机器人的关键技术——情感计算技术也由此成为计算机技术研究领域的一大分支。情感计算是指通过传感检测系统采集到由人的情感所引起的表情、语气和生理变化等信号，利用情感识别模型进行识别与分析，从而理解人的情感并给出适当的响应。情感识别是情感计算的核心技术之一，是实现人机情感交互的前提和关键。一直以来脸部表情和语言语气与情感的关系由于其直观的显现被广泛地加以研究和应用。但是它们反应的情感受主观的影响比较大。基于生理信号的情感识别可以不受主观因素的影响，反应的感更加客观、真实。目前基于生理信号的情感识别主要包括肌电信号、心电信号、皮肤电信号和脑电信号等，但是前三者相较于脑电信号而言在采集技术和采集设备上有较大的难度和较高的花费。因此，本课题将对脑电信号的情感识别方法进行研究，研究的目的是，通过探究有效脑电情感特征选择方法和识别方法来提高脑电情感识别的识别效果，使得机器人能够更好地为人类服务。目前脑电信号情感识别在很多的领域都得到了相应的应用，例如教育、健康护理、辅助驾驶、娱乐游戏等等。脑电信号情感识别的步骤主要包括脑电信号的处理、脑电信号的特征提取、脑电信号的特征选择，脑电信号的情感识别。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的缺陷，提供一种基于多尺度分析和集成树模型的脑电情感分类方法及系统。本专利技术解决其技术问题所采用的技术方案是：构造一种基于多尺度分析和集成树模型的脑电情感分类方法，包括以下步骤：S1、对脑电信号进行预处理，得到对情感刺激片段反应稳定的脑电信号片段；其中，采用变分模态分解算法对所述脑电信号片段进行多尺度分解，得到若干个不同尺度的IMF分量；S2、对每个IMF分量进行多尺度特征提取，得到若干个由多个特征组合而成的特征向量，针对提取出的特征向量构建情感特征集；所述多个特征包括短时能量特征、微分熵特征以及脑电信号的不对称特征；S3、采用Xgboost算法对步骤S2构建的情感特征集中的每个特征向量进行筛选，对从中筛选得到若干个特征向量进行组合，构建一个关于所述若干个特征向量的特征子集；S4、将步骤S3所得的特征子集输入到集成树分类模型中，利用模型中的Xgboost分类器，进行脑电情感分类；其中，集成树分类模型包括由K个决策树线性组合的Xgboost分类器，K为正整数且K≥1。进一步的，步骤S1中采用变分模态分解-VMD对脑电信号进行多尺度分解即采用迭代的方式，来搜寻最优的变分模型，其优化目标为：其中，K表示脑电信号分解后得到的IMF分量的个数，ωk表示每个IMF分量对应的中心频率；δ(t)表示狄克拉函数；uk表示第k个IMF分量；x是脑电信号；t是时间变量。进一步的，步骤S3中从情感特征集中，筛选得到若干个特征向量的操作为：首先，通过计算情感特征集中的每一个特征向量在每一颗决策树中的分裂次数，从而得到每一个特征向量的重要程度；然后，将每一个特征向量按照重要程度进行排序后，选定重要程度阈值范围，将在阈值范围内的特征向量集合作为筛选后的特征向量集合。进一步的，步骤S3中对已得到的特征子集进行降维处理；并将降维处理后的特征子集应用到后续步骤；其中，采用线性判别分析的方法，将特征子集中所有的高维特征向量映射到低维空间中，进行降维处理。进一步的，步骤S4中，采用Xgboost分类器在构建分类模型时，采用梯度下降的方法进行迭代，其中，每一次迭代都朝着目标函数的梯度最小的方向进行迭代，目标函数定义为：其中，l是一种可微分的凸函数，其作为模型的损失函数，用来计算真实值与预测值之间的偏差；n表示样本数，K表示采用的决策树的总数；yi为第i个样本的实际标签值，为第i个样本的预测标签值；Ω(·)表示对“·”进行正则化处理；fk表示第k个决策树。进一步的，步骤S4中，首先为了使迭代过程中梯度下降地速度以及准确度，利用Xgboost算法，且在梯度上升决策树-GBDT的基础上，将目标函数L进行泰勒二阶展开，其中，引入泰勒二阶展开后目标函数表示为：上述公式中，为损失函数l的一阶导数，为损失函数l的二阶倒数；最后，根据每一个分类回归树的模型复杂度，将最终的目标函数定义为：其中，γ和λ表示正则化系数，q表示分类回归树结构，T表示叶子结点的个数。进一步的，步骤S4中，对所述分类器进行参数优化，具体为用贝叶斯参数优化方法优化分类器的超参数，获取最优的参数组合，得到最优的分类性能。一种基于多尺度分析和集成树模型的脑电情感分类系统，包括以下模块：脑电信号预处理模块，用于对脑电信号进行预处理，得到对情感刺激片段反应稳定的脑电信号片段；其中，采用变分模态分解算法对所述脑电信号片段进行多尺度分解，得到若干个不同尺度的IMF分量；特征提取模块，用于对每个IMF分量进行多尺度特征提取，得到若干个由多个特征组合而成的特征向量，针对提取出的特征向量构建情感特征集；所述多个特征包括短时能量特征、微分熵特征以及脑电信号的不对称特征；线性判别分析模块，用于采用Xgboost算法对特征提取模块构建的情感特征集中的每个特征向量进行筛选，将从中筛选得到若干个特征子向量进行组合，构建一个关于特征子向量的特征子集；情感分类模块，用于将线性判别分析模块所得的特征子集输入到集成树分类模型中，利用模型中的Xgboost分类器，进行脑电情感分类；其中，集成树分类模型包括由K个决策树线性组合的Xgboost分类器，K为正整数且K≥1。进一步的，情感分类模块中，采用Xgboost分类器在构建分类模型时，采用梯度下降的方法进行迭代，其中，每一次迭代都朝着目标函数的梯度最小的方向进行迭代，目标函数定义为：其中，l是一种可微分的凸函数，其作为模型的损失函数，用来计算真实值与预测值之间的偏差；n表示样本数，K本文档来自技高网...

【技术保护点】
1.一种基于多尺度分析和集成树模型的脑电情感分类方法，其特征在于，包括以下步骤：/nS1、对脑电信号进行预处理，得到对情感刺激片段反应稳定的脑电信号片段；其中，采用变分模态分解算法对所述脑电信号片段进行多尺度分解，得到若干个不同尺度的IMF分量；/nS2、对每个IMF分量进行多尺度特征提取，得到若干个由多个特征组合而成的特征向量，针对提取出的特征向量构建情感特征集；所述多个特征包括短时能量特征、微分熵特征以及脑电信号的不对称特征；/nS3、采用Xgboost算法对步骤S2构建的情感特征集中的每个特征向量进行筛选，对从中筛选得到若干个特征向量进行组合，构建一个关于所述若干个特征向量的特征子集；/nS4、将步骤S3所得的特征子集输入到集成树分类模型中，利用模型中的Xgboost分类器，进行脑电情感分类；其中，集成树分类模型包括由K个决策树线性组合的Xgboost分类器，K为正整数且K＞1。/n

【技术特征摘要】
1.一种基于多尺度分析和集成树模型的脑电情感分类方法，其特征在于，包括以下步骤：
S1、对脑电信号进行预处理，得到对情感刺激片段反应稳定的脑电信号片段；其中，采用变分模态分解算法对所述脑电信号片段进行多尺度分解，得到若干个不同尺度的IMF分量；
S2、对每个IMF分量进行多尺度特征提取，得到若干个由多个特征组合而成的特征向量，针对提取出的特征向量构建情感特征集；所述多个特征包括短时能量特征、微分熵特征以及脑电信号的不对称特征；
S3、采用Xgboost算法对步骤S2构建的情感特征集中的每个特征向量进行筛选，对从中筛选得到若干个特征向量进行组合，构建一个关于所述若干个特征向量的特征子集；
S4、将步骤S3所得的特征子集输入到集成树分类模型中，利用模型中的Xgboost分类器，进行脑电情感分类；其中，集成树分类模型包括由K个决策树线性组合的Xgboost分类器，K为正整数且K＞1。


2.根据权利要求1所述的脑电情感识别方法，其特征在于，步骤S1中采用变分模态分解-VMD对脑电信号进行多尺度分解即采用迭代的方式，来搜寻最优的变分模型，其优化目标为：



其中，K表示脑电信号分解后得到的IMF分量的个数，ωk表示每个IMF分量对应的中心频率；δ(t)表示狄克拉函数；uk表示第k个IMF分量；x是脑电信号；t是时间变量。


3.根据权利要求1所述的脑电情感识别方法，其特征在于，步骤S3中从情感特征集中，筛选得到若干个特征向量的操作为：首先，通过计算情感特征集中的每一个特征向量在每一颗决策树中的分裂次数，从而得到每一个特征向量的重要程度；然后，将每一个特征向量按照重要程度进行排序后，选定重要程度阈值范围，将在阈值范围内的特征向量集合作为筛选后的特征向量集合。


4.根据权利要求1或3所述的脑电情感识别方法，其特征在于，步骤S3中对已得到的特征子集进行降维处理；并将降维处理后的特征子集应用到后续步骤；其中，采用线性判别分析的方法，将特征子集中所有的高维特征向量映射到低维空间中，进行降维处理。


5.根据权利要求1所述的脑电情感识别方法，其特征在于，步骤S4中，采用Xgboost分类器在构建分类模型时，采用梯度下降的方法进行迭代，其中，每一次迭代都朝着目标函数的梯度最小的方向进行迭代，目标函数定义为：



其中，l是一种可微分的凸函数，其作为模型的损失函数，用来计算真实值与预测值之间的偏差；n表示样本数，K表示采用的决策树的总数；yi为第i个样本的实际标签值，为第i个样本的预测标签值；Ω(·)表示对“·”进行正则化处理；fk表示第k个决策树。


6.根据权利要求5所述的脑电情感识别方法，其特征在于，步骤S4中，首先为了使迭代过程中梯度下降地速度以及准确度，利用Xgboost算法，且在梯度上升决策树-GBD...

【专利技术属性】
技术研发人员：刘振焘，曹卫华，吴敏，谢桥，丁学文，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42