基于图卷积神经网络的情绪分类方法及系统技术方案

本公开提供了一种基于图卷积神经网络的情绪分类方法及系统，包括：获取原始脑电信号；根据预设的情绪分类模型和获取的原始脑电信号，得到情绪分类结果；其中，所述情绪分类模型是根据脑电信号训练集和图卷积神经网络训练得到；获取脑电信号训练集包括：获取原始脑电信号数据集、消去数据集的基础情绪状态、提取消去基础情绪状态后数据集的小波系数、利用小波系数计算脑电小波能量比和小波熵，以及基于脑功能连接网络结构将计算的脑电小波熵和小波熵特征建模为图结构；本公开依据脑功能连接图设计了图卷积神经网络并用公开数据集DEAP来进行验证。来进行验证。来进行验证。

【技术实现步骤摘要】
基于图卷积神经网络的情绪分类方法及系统


[0001]本公开属于情绪状态识别
，尤其涉及一种基于图卷积神经网络的情绪分类方法及系统。

技术介绍

[0002]情绪是与神经系统有关的一种生物状态，它在我们日常生活中扮演着重要的角色，甚至可以影响我们在日常生活中所做的大大小小的决定。随着计算机处理数据能力的提升和人们对自身情绪状态的认知加深，自动情绪识别系统得到了广泛的应用。当前，自动情绪识别系统通过采用脑电图(Electroencephalogram，EEG)来识别情绪取得了成功的突破。EEG是一个记录着大脑皮层表面活动的电信号，表示脑神经元突触的激活状态。近年来的研究已经表明，EEG是用于生物特征认证的一种合适的信号。然而，脑电信号具有时间不对称性、不稳定性、信噪比低和无法直接确定脑区反应等缺点。因此，实现基于EEG的情绪状态识别系统仍然是一项艰巨的任务。最近，许多研究人员提出了基于卷积神经网络、深层信念网络的EEG情绪状态识别方法。
[0003]研究已经证明，与机器学习的经典算法相比，卷积神经网络在生理信号的情绪识别中表现出更好的性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图卷积神经网络的情绪分类方法，其特征在于，包括：获取原始脑电信号；根据预设的情绪分类模型和获取的原始脑电信号，得到情绪分类结果；其中，所述情绪分类模型是根据脑电信号训练集和图卷积神经网络训练得到；获取脑电信号训练集包括：获取原始脑电信号数据集、消去数据集的基础情绪状态、提取消去基础情绪状态后数据集的小波系数、利用小波系数计算脑电小波能量比和小波熵，以及基于脑功能连接网络结构将计算的脑电小波熵和小波熵特征建模为图结构。2.如权利要求1所述的基于图卷积神经网络的情绪分类方法，其特征在于，所述情绪分类模型的训练包括：获取原始脑电信号，根据基础情绪状态消去法，获得情绪状态刺激后的实验脑电信号；根据小波包变换将获得情绪状态刺激后的实验数据分解为多个频段，并提取小波系数；根据样本熵估计脑电的整体复杂性，并从多个频段的小波系数计算出小波能量比和小波熵；根据各脑电通道信号间的相关性，基于相位锁定值关联矩阵构建脑功能连接网络；根据脑功能连接网络图和图卷积神经网络，训练得到情绪分类模型。3.如权利要求2所述的基于图卷积神经网络的情绪分类方法，其特征在于，消去数据集的基础情绪状态包括：初始化输入原始脑电数据集，对于所述原始脑电数据集中的原始脑电信号的每个被试脑电信号截取实验试次；采用基础情绪状态消去法提取前三秒的平静脑电信号，将平静脑电信号扩充至60s，提取4s
‑
63s的原始脑电信号，从中减去60s的平静脑电信号得到无基础情绪状态的情绪状态脑电信号。4.如权利要求2所述的基于图卷积神经网络的情绪分类方法，其特征在于，提取消去基础情绪状态后数据集的小波系数包括：对情绪状态脑电信号采用小波包分解脑电信号，将脑电信号进行i层小波包分解得到得到2
i
个小波节点；对第i层节点小波包系数进行重构，得到各节点的重构信号，重构脑电信号频带分为分解为多个频段，提取多个频段的小波系数。5.如权利要求2所述的基于图卷积神经网络的情绪分类方法，其特征在于，利用小波系数计算脑电小波能量比和小波熵包括：样本熵算法步骤如下：(a)设初始时间信号为Si，其中i＝1,2,...,n；(b)确定参数m、r，其中m为选定的待重构的空间维度向量，r为给定阈值且为非负实数，表示重构向量之间相似的阈值；(c)重构时间序列X1,X2,
…
,XN
‑
m+1∈m，其中Xi＝[Si,Si+1,
…
,Si+m
‑
1]；(d)计算任意重构向量之间的距离D[Xi,Xj]＝max{|Xi+k
‑
Xi|}，其中i，j的取值范围是1到N
‑
m+1；(e)给定阈值r，其中r>0，给定嵌入维数...

【专利技术属性】
技术研发人员：郑向伟，高鹏志，张利峰，王涛，陈宣池，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：