基于三维特征图和卷积神经网络的情绪识别方法及系统技术方案

本公开公开的基于三维特征图和卷积神经网络的情绪识别方法及系统，包括：获取待识别的脑电信号；从待识别的脑电信号中提取无基础情绪状态脑电信号；采用小波包变换对无基础情绪状态脑电信号进行分解重构，获取多个频段信号，获取每个频段信号的小波能量比和小波熵；获取无基础情绪状态脑电信号中每个通道脑电信号的复杂程度，与每个频段信号的小波能量比和小波熵组成脑电特征；对脑电特征进行排列，形成特征立方体；将特征立方体输入训练好的CNN模型中进行情绪识别。提高了情绪识别的准确性。

【技术实现步骤摘要】
基于三维特征图和卷积神经网络的情绪识别方法及系统
本专利技术涉及情绪状态识别
，尤其涉及基于三维特征图和卷积神经网络的情绪识别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。情绪是综合了人的感觉、思想和行为的一种状态，在人类决策处理、互动和认知过程中非常重要。当前，大多数情绪状态分类研究利用脑电信号(Electroencephalogram，EEG)和面部表情来进行情绪状态分类。EEG是记录大脑皮层表面活动的信号，是大脑神经元突触激活的结果。近年来已经表明，EEG是用于生物特征认证的合适信号，并且具有重要的功能。因此，基于EEG的情绪状态识别应运而生，即利用EEG进行情绪状态识别进而实现在线心理治疗和医疗诊断。脑电信号中记录了情绪状态与大脑活动之间的关系，并以高时间分辨率反映了非常微妙的情绪状态变化。然而，脑电信号具有时间不对称和不稳定性、信噪比低以及无法直接确定脑区反应等缺点。因此，基于EEG的情绪状态识别仍然是一项艰巨的任务。许多研究人员提出了基于EEG进行情绪状态识别的方法，例本文档来自技高网...

【技术保护点】
1.基于三维特征图和卷积神经网络的情绪识别方法，其特征在于，包括：/n获取待识别的脑电信号；/n从待识别的脑电信号中提取无基础情绪状态脑电信号；/n采用小波包变换对无基础情绪状态脑电信号进行分解重构，获取多个频段信号，获取每个频段信号的小波能量比和小波熵；/n获取无基础情绪状态脑电信号中每个通道脑电信号的复杂程度，与每个频段信号的小波能量比和小波熵组成脑电特征；/n对脑电特征进行排列，形成特征立方体；/n将特征立方体输入训练好的CNN模型中进行情绪识别。/n

【技术特征摘要】
1.基于三维特征图和卷积神经网络的情绪识别方法，其特征在于，包括：
获取待识别的脑电信号；
从待识别的脑电信号中提取无基础情绪状态脑电信号；
采用小波包变换对无基础情绪状态脑电信号进行分解重构，获取多个频段信号，获取每个频段信号的小波能量比和小波熵；
获取无基础情绪状态脑电信号中每个通道脑电信号的复杂程度，与每个频段信号的小波能量比和小波熵组成脑电特征；
对脑电特征进行排列，形成特征立方体；
将特征立方体输入训练好的CNN模型中进行情绪识别。


2.如权利要求1所述的基于三维特征图和卷积神经网络的情绪识别方法，其特征在于，采用消去基础情绪状态的方法，从待识别的脑电信号中提取无基础情绪状态脑电信号。


3.如权利要求1所述的基于三维特征图和卷积神经网络的情绪识别方法，其特征在于，提取每个频段信号的小波系数；
根据每个频段信号的小波系数，计算每个频段信号的小波特征。


4.如权利要求1所述的基于三维特征图和卷积神经网络的情绪识别方法，其特征在于，采用近似熵算法计算无基础情绪状态脑电信号中每个通道脑电信号的复杂程度。


5.如权利要求1所述的基于三维特征图和卷积神经网络的情绪识别方法，其特征在于，CNN模型包括输入层、卷积层、重构层、全连接层和输出层。


6.如权利要求1所述的基于三维特征图和卷积神经网络的情绪识别方法，...

【专利技术属性】
技术研发人员：郑向伟，尹永强，崔振，陈宣池，张利峰，许春燕，张宇昂，高鹏志，
申请(专利权)人：山东海量信息技术研究院，山东师范大学，
类型：发明
国别省市：山东;37