【技术实现步骤摘要】
基于深度学习和脑机接口的情绪识别系统及应用
本专利技术涉及一种情绪识别系统。特别是涉及一种基于深度学习和脑机接口的情绪识别系统及应用。
技术介绍
情绪是人受到外界事物刺激时的反应,是一种广泛而复杂的生理和心理状态。人的情绪状态种类繁多,心理学家Ekman将其大致定义为高兴、生气、吃惊、恐惧、厌恶和悲伤六种。事实上,还有很多其他的情绪状态,如羞愧,傲慢,失望,焦虑等。人的情绪状态往往反应了一个人对外在事物的态度与看法,通过情绪识别可以帮助人们提高设备使用安全性,分析日常行为潜在情感因素。例如,在康复医疗方面,可以帮助医生诊断以及预防如抑郁症、创伤后应激障碍等问题。同时,根据患者的情绪反应可以方便医护人员提供更好的医疗护理,以辅助患者的康复。在交通运输方面,可以通过情绪检测分析驾驶员的精神状态,如是否疲劳,清醒程度如何,是否紧张焦虑等,来确保驾驶安全。在教育行业,可以通过学生对不同科目的情绪反应开发学生特长,进行更有针对性的辅导。同时,当学生大脑负荷较重,显示出疲劳情绪时,提示教师活跃课堂或者短暂休息,确保课堂效率。对情绪的精确识别可以从很多方面提升我们的生活质量。人的情绪可以通过各种途径反映出来,例如面部表情、语音语调、动作眼神等等。现阶段情绪识别可以利用包括表情、语音、动作以及生理信号等模态。其中,生理信号特别是脑电信号(Electroencephalogram,EEG)不容易受到人为因素的影响。由于脑电信号的稳定性,基于脑电信号的情绪分类工作得到广泛关注。然而在实际应用中,利用脑电信号进行情绪分析还存在着很 ...
【技术保护点】
1.一种基于深度学习和脑机接口的情绪识别系统,包括依次连接的便携式脑电采集设备(1)、情绪脑电分类模块(2)和情绪分类显示模块(3),其特征在于,所述便携式脑电采集设备(1)从被试者大脑采集情绪EEG脑电信号,所述的情绪脑电分类模块(2)对情绪EEG脑电信号进行分析,建立情绪EEG脑电信号与情绪之间的关系模型,通过关系模型,对输入的情绪EEG脑电信号进行情绪分类,所述的情绪分类显示模块(3)显示识别出的情绪种类,提示被试者情绪状态。/n
【技术特征摘要】
1.一种基于深度学习和脑机接口的情绪识别系统,包括依次连接的便携式脑电采集设备(1)、情绪脑电分类模块(2)和情绪分类显示模块(3),其特征在于,所述便携式脑电采集设备(1)从被试者大脑采集情绪EEG脑电信号,所述的情绪脑电分类模块(2)对情绪EEG脑电信号进行分析,建立情绪EEG脑电信号与情绪之间的关系模型,通过关系模型,对输入的情绪EEG脑电信号进行情绪分类,所述的情绪分类显示模块(3)显示识别出的情绪种类,提示被试者情绪状态。
2.根据权利要求1所述的基于深度学习和脑机接口的情绪识别系统,其特征在于,所述的便携式脑电采集设备(1)包括有:依次连接的用于采集情绪EEG脑电信号的脑电极帽及其转接线(11)、用于情绪EEG脑电信号放大和转换的生物电信号采集模块(12)、用于控制情绪EEG脑电信号的采集并通过USB通信电路(14)向情绪脑电分类模块(2)传输情绪EEG脑电信号的FPGA处理器(13),以及分别连接生物电信号采集模块(12)和FPGA处理器(13)的系统供电电路(15),其中,
所述的脑电极帽及其转接线(11)中的脑电极帽采集不同脑区的情绪EEG脑电信号,通过转接线及DSUB37接口与生物电信号采集模块(12)相连接,用于生物电信号的采集和传输;
所述的生物电信号采集模块12是由数片集成了用于接收脑电帽采集的电压信号的高共模抑制比模拟输入模块、用于进行脑电压信号放大的低噪声可编程增益放大器(PGA)和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器(ADC)的生物电信号采集芯片组成;
所述的FPGA处理器13用于调整生物电信号采集模块(12)的采集模式与参数和控制USB通信电路(14)将情绪EEG脑电信号数据向情绪脑电分类模块(2)传输;
所述的USB通信电路(14)的输出连接所述情绪脑电分类模块(2)的输入端,USB通信电路(14)工作在异步FIFO模式,最高传输速率8MB/秒,在FPGA处理器(13)的控制下周期性地将采集到的情绪EEG脑电信号以数据包的形式发送至情绪脑电分类模块(2);
所述的系统供电电路(15),输入电压为5V,由USB接口进行供电,通过电压转换模块提供系统不同芯片的工作电压。
3.根据权利要求1所述的基于深度学习和脑机接口的情绪识别系统,其特征在于,所述的便携式脑电采集设备(1)采集被试者情绪EEG脑电信号,是采集被试者对应于脑电极帽的FP1,FPZ,FP2,AF3,AF4,F7,F5,F3,F1,FZ,F2,F4,F6,F8,FT7,FC5,FC3,FC1,FCZ,FC2,FC4,FC6,FT8,T7,C5,C3,C1,CZ,C2,C4,C6,T8,TP7,CP5,CP3,CP1,CPZ,CP2,CP4,CP6,TP8,P7,P5,P3,P1,PZ,P2,P4,P6,P8,PO7,PO5,PO3,POZ,PO4,PO6,PO8,CB1,O1,OZ,O2,CB2共62个电极的情绪EEG脑电信号;脑电极帽的电极分布符合10/20国际标准导联;具体是使用视频片段作为情绪刺激源,采集被试者观看视频后产生相应情绪状态的情绪EEG脑电信号;所述的相应情绪状态为积极情绪状态,消极情绪状态和中性情绪状态,采集过程是:
(1)被试者观看三种不同情绪对应的视频片段,在视频源刺激期间产生情绪EEG脑电信号;
(2)在每次观看视频时,便携式脑电采集设备完成情绪EEG脑电信号采集,并为每一次采集到的情绪情绪EEG脑电信号根据刺激所用的视频设定标签,标签和情绪EEG脑电信号共同构成样本集。
4.根据权利要求1所述的基于深度学习和脑机接口的情绪识别系统,其特征在于,所述的情绪脑电分类模块(2)的运行具体包括如下步骤:
1)使用便携式脑电采集设备获取三种情绪状态的情绪EEG脑电信号构成样本集,其中c代表电极序号,L为信号采集的长度,Xc,g表示第c个电极采样到的第g个数据点的数值;
2)对情绪情绪EEG脑电信号进行滑动窗口划分,得到情绪EEG脑电信号片段,对情绪EEG脑电信号片段进行连续小波变换,将原情绪EEG脑电信号片段分为五个频段,在五个频段δ,θ,α,β,γ内分别构建脑复杂网络Af,f=δ,θ,α,β,γ,最终得到多层脑复杂网络;
3)选取不同类别情绪脑复杂网络之间差异最大的30个节点作为关键节点,依据关键节点重构多层脑复杂网络;
4)搭建双输入深度学习模型的卷积神经网络分支,卷积神经网络分支的输入是多层脑复杂网络和对应的标签,所述的卷积神经网络分支由五层相同的卷积神经网络模型组成,每一层卷积神经网络模型对应多层脑复杂网络的五个频段δ,θ,α,β,γ中的一个频段;
5)搭建双输入深度学习模型的密集卷积网络分支,密集卷积网络分支的输入是使用小波变换进行0-50Hz滤波后的情绪EEG脑电信号和对应标签;
6)通过串联层连接所述卷积神经网络分支的输出和所述密集卷积网络分支的输出,所述的串联层与另外一个全连接层相连,全连接层输出分类结果,并用H个神经元表示,分类层选择Softmax作为激活函数,Softmax函数本质上是归一化的指数函数,定义为其中h=1…H,e为自然对数值,zh为第h个神经元的输出,式中分母充当正则项作用,使得使用Keras框架实现深度学习模型的搭建,得到双输入深度学习模型;
7)将采集到的三种情绪状态下的情绪EEG脑电信号分为训练集和验证集,使用训练集对双输入深度学习模型进行训练,使用验证集对训练后的双输入深度学习模型进行验证,最终得到用于情绪分类检测的双输入深度学习模型。
5.根据权利要求4所述的基于深度学习和脑机接口的情绪识别系统,其特征在于,步骤2)中所述的五个频段分...
【专利技术属性】
技术研发人员:高忠科,李如梅,马超,马文庆,
申请(专利权)人:天津大学,天津富瑞隆金属制品有限公司,
类型:发明
国别省市:天津;12
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。