基于卷积-长短期记忆网络音乐脑电时空特征分类方法技术

一种基于卷积

【技术实现步骤摘要】
基于卷积
‑
长短期记忆网络音乐脑电时空特征分类方法


[0001]本专利技术属音乐脑电
，具体涉及到脑电情绪分类方法。
技术背景
[0002]近年来，情绪识别已经成为一个非常活跃的话题和研究热点，经济社会高速发展，几乎每个人都处在或多或少的压力、焦虑之下，极大地影响了人们的情绪、心情；在这种环境下，理解、检测人们的情绪，及时地调整心态、调整情绪、调整心情是极其重要的。脑电波是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成，记录了大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映，脑电信号能够反应人的生理机能和身体状态是否正常，同时也能反应人的情绪、心情、心理活动，因此脑电可以作为情绪识别的一种有效方法。基于脑电波的音乐情感识别可以产生很多有趣的、有用的应用，例如音乐治疗、音乐推荐系统等。因此，进行基于脑电波的分类工作具有非常深远的意义。
[0003]脑电信号分类有很多种方法，常用的方法有逻辑回归方法、支持向量机方法、朴素贝叶斯方法、决策树、K近邻方法等等，传统的方法具有分类精确度不高、需要手动提取特征、成本较高、效果不佳等缺点。在人工智能、大数据快速发展时代，深度学习方法发展迅速，可以自动学习大样本数据的内在规律和表示层次、自动提取数据特征而无需手动提取特征、能够自动提取数据的特征并进行分类，能达到较高的准确率。
[0004]深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习方法包括人工神经网络、卷积神经网络、循环神经网络，深度学习在大数据中能自动学习特征，得到更有效的特征表示。目前，深度学习在模式识别领域中，能够有效地进行分类预测，适用于计算机视觉、自然语言处理、医学信号分析等各个领域。
[0005]近年来由于硬件计算能力的提升，深度学习受到相关研究人员的广泛关注，从大量数据中提取特征和拟合非线性函数，从而更新神经元的权重值，让神经网络的参数得以充分的优化，达到解决相关问题的目的。在深度学习的发展过程中，也出现了许多的深度学习网络模型，不同的网络适用于不同的场景，卷积神经网络能够很好地提取信息中的空间特征，循环神经网络更适合于处理时序数据和前后有关联的数据，常见的循环神经网络有双向循环神经网络和长短期记忆网络，单一的神经网络往往分类的准确度、模型的泛化能力不够大。
[0006]在脑点信号分类
，当前需迫切解决的一个技术问题是提供一种准确率更高、泛化能力更强的音乐脑电时空特征分类方法。

技术实现思路

[0007]本专利技术所要解决的技术问题在于克服上述现有技术问题的缺点，提供一种分类精确度高、泛化能力强的基于卷积
‑
长短期记忆网络音乐脑电时空特征分类方法。
[0008]解决上述技术问题采用的技术方案是由下述步骤组成：
[0009](1)获取脑电数据数据集
[0010]从多模态情感数据集DEAP中选取脑电数据，网址为http://www.eecs.qmul.ac.uk/mmv/datasets/deap/index.html；脑电采集电极系统采用10
‑
20国际标准的128导联电极帽，电极帽上的一个物理电极代表一个电极通道。
[0011](2)脑电数据预处理
[0012]1)对采集的脑电数据以128Hz的采样率进行下采样。
[0013]2)使用独立成分分析方法去除脑电信号中的眼电。
[0014]3)对所有电极通道进行排序如下：
[0015]Fp1、AF3、F3、F7、FC5、FC1、C3、T7、CP5、CP1、P3、P7、PO3、O1、Oz、Pz、Fp2、AF4、Fz、F4、F8、FC6、FC、Cz、C4、T8、Cp6、Cp2、P4、P8、PO4、O2，其中每个电极通道的具体含义在10
‑
20国际标准导联系统中公开。
[0016]4)将脑电数据分段成60秒的小段，将试验前的3秒准备时间的脑电数据去除。
[0017](3)选取脑电样本
[0018]从数据集DEAP中选取m个被试的脑电样本S
C
×
N
i，其中i的取值为[1,m]，m取值为[1,32]，脑电样本S
C
×
N
i的数据维度为C
×
N，C为通道数，C取值范围为[1,40]，N为采样点个数，N取值为采样率的1～8倍，将脑电数据中每个电极通道的数据处理成长度为512的一维数组，处理后的数据样本集合为{S1,S2,...,S
m
×
C
×
k
},其中k为1次试验中播放音乐的数量，k取值范围为[1,40]。
[0019](4)增强脑电数据
[0020]将每一个电极通道的脑电波数据按照长度为采样点数N进行最多数据片段分段。
[0021](5)脑电数据标准化
[0022]将所有脑电数据按下式进行数据标准化s
′
：
[0023][0024]其中s为原始数据，为数据的平均值，v为数据的方差。
[0025]按下式确定均值
[0026][0027]按下式确定方差v:
[0028][0029]以上两式中的x1,x2,...,x
n
为n个有限正整数，n为数据总个数。
[0030](6)划分训练集和验证集及测试集
[0031]将数据标准化后的脑电数据划分成训练集、验证集、测试集，训练集为脑电数据的70％，验证集为脑电数据的20％，测试集为脑电数据的10％，训练集与验证集、测试集无交叉。
[0032](7)构建卷积
‑
长短期记忆网络
[0033]卷积
‑
长短期记忆网络由卷积神经网络、长短期记忆网络、全连接层构成，卷积神经网络的输出与长短期记忆网络的输入相连，长短期记忆网络的输出与全连接层的输入相连。
[0034]所述的卷积神经网络由一维卷积层a1、一维卷积层a2、一维卷积层a3、一维卷积层a4、一维卷积层a5、批归一化层b、Dropout层c构成，一维卷积层a1依次与一维卷积层a2、一维卷积层a3、批归一化层b、Dropout层c、一维卷积层a4、一维卷积层a5串联构成。
[0035]所述的长短期记忆网络由批归一化层b、长短期记忆层d1、长短期记忆层d2、长短期记忆层d3、Dropout层c构成，批归一化层b依次与长短期记忆层d1、长短期记忆层d2、长短期记忆层d3、Dropout层c串联构成。
[0036](8)训练卷积
‑
长短期记忆网络
[0037]将训练集的脑电数据输入到卷积
‑
长短期记忆网络，采用Adam优化方法动态调整卷积神经
‑
长短期记忆网络的学习率，损失函数使用下式交叉熵损失函数L(y,a)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积
‑
长短期记忆网络音乐脑电时空特征分类方法，其特征在于由以下步骤组成：(1)获取脑电数据数据集从多模态情感数据集DEAP中选取脑电数据，网址为http://www.eecs.qmul.ac.uk/mmv/datasets/deap/index.html；脑电采集电极系统采用10
‑
20国际标准的128导联电极帽，电极帽上的一个物理电极代表一个电极通道；(2)脑电数据预处理1)对采集的脑电数据以128Hz的采样率进行下采样；2)使用独立成分分析方法去除脑电信号中的眼电；3)对所有电极通道进行排序如下：Fp1、AF3、F3、F7、FC5、FC1、C3、T7、CP5、CP1、P3、P7、PO3、O1、Oz、Pz、Fp2、AF4、Fz、F4、F8、FC6、FC、Cz、C4、T8、Cp6、Cp2、P4、P8、PO4、O2；4)将脑电数据分段成60秒的小段，将试验前的3秒准备时间的脑电数据去除；(3)选取脑电样本从数据集DEAP中选取m个被试的电样本S
C
×
N
i，其中i的取值为[1,m]，m取值为[1,32]，脑电样本S
C
×
N
i的数据维度为C
×
N，C为通道数，C取值范围为[1,40]，N为采样点个数，N取值为采样率的1～8倍，将脑电数据中每个电极通道的数据处理成长度为512的一维数组，处理后的数据样本集合为{S1,S2,...,Sm
×
C
×
k},其中k为1次试验中播放音乐的数量，k取值范围为[1,40]；(4)增强脑电数据将每一个电极通道的脑电波数据按照长度为采样点数N进行最多数据片段分段；(5)脑电数据标准化将所有脑电数据按下式进行数据标准化s
′
：其中s为原始数据，为数据的平均值，v为数据的方差；按下式确定均值按下式确定均值按下式确定方差v：以上两式中的x1,x2,...,x
n
为n个有限正整数，n为数据总个数；(6)划分训练集和验证集及测试集将数据标准化后的脑电数据划分成训练集、验证集、测试集，训练集为脑电数据的70％，验证集为脑电数据的20％，测试集为脑电数据的10％，训练集与验证集、测试集无交叉；(7)构建卷积
‑
长短期记忆网络
卷积
‑
长短期记忆网络由卷积神经网络(1)、长短期记忆网络(2)、全连接层(3)构成，卷积神经网络(1)的输出与长短期记忆网络(2)的输入相连，长短期记忆网络(2)的输出与全连接层(3)的输入相连；所述的卷积神经网络(1)由一维卷积层(a1)、一维卷积层(a2)、一维卷积层(a3)、一维卷积层(a4)、一维卷积层(a5)、批归一化层(b)、Dropout层(c)构成，一维卷积层(a1)依次与一维卷积层(a2)、一维卷积层(a3)、批归一化层(b)、Dropout层(c)、一维卷积层(a4)、一维卷积层(a5)串联构成；所述的长短期记忆网络(2)由批归一化层(b)、长短期记忆层(d1)...

【专利技术属性】
技术研发人员：张玉梅，廖胜利，吴晓军，杨红红，杨小蕊，李丽娜，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：