基于加权水平可视图多重分形的情绪识别方法及系统技术方案

本发明专利技术公开一种基于加权水平可视图多重分形的情绪识别方法，适用于情绪状态识别领域。采集脑电信号并组成时间序列，将该时间序列映射为加权水平可视图，对加权水平可视图进行分析，研究结构，探究其蕴含的脑电信号的非线性特性；其中无标度特征被创新性地用于分析相关加权水平可视图的结构，通过分析加权水平可视图的分形与多重分形，实现对加权水平可视图的描述刻画，最终使用神经网络进行训练，实现对不同情绪脑电信号的分类与识别，步骤简单，识别准确，具有广泛的实用性。具有广泛的实用性。具有广泛的实用性。

【技术实现步骤摘要】
基于加权水平可视图多重分形的情绪识别方法及系统


[0001]本专利技术涉及一种基于加权水平可视图多重分形的情绪识别方法及系统，尤其适用于情绪特征识别领域。

技术介绍

[0002]随着对大脑科学的进一步研究，越来越多的证据表明，人类的大脑是一个复杂的非线性动力系统，它表现出对初始条件敏感的非周期性行为，代表着不规则的运动和突变，采用线性模型无法准确描述。脑电图是客观反映大脑动能状态的一个重要信号，蕴涵着丰富的生理、心理信息，通过对脑电信号的分析和处理，可以在人机交互领域的情绪识别方面起到辅助作用，应用非线性动力学特征分析脑电信号成为新的研究方向。
[0003]传统的由时间序列恢复原动力系统最常用的方法就是利用Takens的相空间重构算法，它建立了时间序列波动和动力系统空间特征之间的桥梁，在实际的相空间重构中，有两个参数是至关重要的，一个是延迟时间τ，还有一个是嵌入维m，延迟时间τ和嵌入维m不能取任意值，需要通过一定的方法来确定，否则，会对重构后的特征矩阵产生严重的影响，但是当每条信号采用的延迟时间τ和嵌入维m不相同时，对于后续实验就没有很好的对比性。
[0004]近年来，运用复杂网络的方法进行时间序列分析，是非线性动力学发展的最新方向，为传统的以混沌理论为基础的非线性时间序列分析注入了新生力量，在刻画动力系统非线性特征方面，提供了很多崭新的见解，在很多不同领域内都取得了广泛应用。在脑电信号方面，可视图、转移网络等时间序列映射网络的算法被提出，已有很多研究人员通过对脑电信号进行复杂网络建模，把采样得到的脑电时间序列转换到对应的复杂网络，然后提取其复杂网络特征，实现了对不同状态脑电信号的分类。但以往脑电信号映射网络相关分析中，有关情绪识别的研究较少。

技术实现思路

[0005]针对现有技术的不足之处，提供一种步骤简单，准确率高的基于加权水平可视图多重分形的情绪识别方法及系统
[0006]为实现上述技术目的，本专利技术的一种基于加权水平可视图多重分形的情绪识别方法：获取一条包含人类情绪的脑电信号，首先采用加权水平可视图算法对X进行从信号到加权水平可视图的映射，记加权水平可视图的映射为加权网络G，然后对加权网络G进行网络的结构分析，关注加权网络G的网络无标度特性即网络的分形与多重分形，其中网络的分形与多重分形反映了网络的自相似性和复杂性，以网络的分形和多重分形表征其蕴含的脑电信号的非线性特性，完成网络的分形和多重分形参数训练获得对应情绪脑电信号的加权网络G；更换另一条包含人类情绪的脑电信号重复进行上述工作，直至生成所有已知常规人类情绪脑电信号的加权网络。
[0007]具体步骤如下：
[0008]a、收集一条一维的包含人类情绪的脑电信号其中x
t
为脑电信号的第
t个采样值，N为脑电信号的采样长度；
[0009]b、将脑电信号X映射为加权水平可视图，加权水平可视图是一种由节点和连接这些节点的带有权值的链路构成的网络，记加权水平可视图为加权网络G；
[0010]c、对加权网络G通过计算网络的分形与多重分形性质进行网络的无标度分析；首先设置尺度因子的序列qs，取尺度因子序列qs包含尺度因子q为元素，q可以取除q＝0以外的任何实数，取值范围在
‑
20至20之间；设置覆盖加权网络G中节点的沙盒半径的序列rs，令rs＝1∶a∶diam，即rs是最小值为1最大值为diam公差为a的等差序列，其中diam为网络的直径，即网络中任意两节点间距离的最大值，a为取值的间隔，设为网络带有权值的链路的平均值；
[0011]d、取尺度因子序列qs中的尺度因子q；
[0012]e、选择沙盒半径序列rs中的一个半径值r以及加权网络G的一个节点i作为沙盒的中心，以沙盒的中心开始，搜索所有小于等于r的节点并覆盖，并计算半径为r的沙盒中的节点数，记为其中N是加权网络G中的节点数，d
ij
表示节点i与j在加权网络G中的最短距离，为阶跃函数；
[0013]f、在选择沙盒半径值为r的情况下，遍历加权网络G中的所有节点，计算半径为r的沙盒中的节点数
[0014]g、遍历沙盒半径的序列rs不同的沙盒半径r，重复步骤e，f，g计算沙盒半径的序列rs中所有半径r的统计平均值<[M(r)]q
‑1/N>，并利用公式：/N>，并利用公式：计算多重分形标度因子τ(q)；
[0015]h、遍历尺度因子的序列qs不同的尺度因子q，重复步骤d，e，f，g，h计算尺度因子的序列qs不同的尺度因子q对应的多重分形标度因子τ(q)；
[0016]i、计算广义维数D(q)＝τ(q)/(q
‑
1)，根据关联维数的定义可知，当q＝2时D
C
＝D(2)以衡量加权网络G的分形特性，通过勒让德变换得多重分形奇异谱f(α)～α，奇异谱通过Δα来衡量加权网络G多重分形性的强弱；
[0017]j、将广义维数D(q)和多重分形奇异谱f(α)代入深度神经网络分类器进行训练，即可实现通过脑电信号判断出对应的人类情绪；通过将不同人类情绪的脑电信号映射的加权网络G的多重分形奇异谱及广义维数，即可实现对任意输入的脑电信号所代表的情绪的分类与识别。
[0018]进一步，将一维脑电信号映射为加权水平可视图的具体算法为：
[0019]将长度为N的一维脑电信号X的每一个采样点映射为加权水平可视图中的一个节点，水平可视图是一种由节点和连接这些节点的带有权值的链路构成的网络，共有N个节点，而两个节点之间是否能够连接成边取决于两节点是否满足水平可视性，水平可视性定义为序列中的每个样本值对应于图中的一个节点，如果两个节点对应的数据高度大于它们之间的所有数据高度，那么这两个节点就是水平可视的，即两个节点相连接；记G＝(V，E，W)为加权水平可视图的网络结构，其中是加权网络中节点集合，v
i
是网络的节点，i
的取值范围为1到N；是加权网络中边集合，其中e
ij
是网络的边，表示连接v
i
和v
j
两个节点的连接关系，i和j取值范围均为1到N；W是加权网络中边E的权重值集合，w
ij
是W的元素，为e
ij
的值，w
ij
与网络中与边的两侧节点v
i
和v
j
所对应的脑电信号X的采样点x
i
和x
j
相关，若v
i
和v
j
通过边相连接，则w
ij
＝|arctan((x
j
‑
x
i
)/(j
‑
i))|，若v
i
和v
j
不通过边相连接，则w
ij
＝0；将该加权网络使用代数形式进行描述，记A为水平可视图的邻接矩阵，大小为N
×
N，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加权水平可视图多重分形的情绪识别方法，其特征在于：获取一条包含人类情绪的脑电信号，首先采用加权水平可视图算法对X进行从信号到加权水平可视图的映射，记加权水平可视图的映射为加权网络G，然后对加权网络G进行网络的结构分析，关注加权网络G的网络无标度特性即网络的分形与多重分形，其中网络的分形与多重分形反映了网络的自相似性和复杂性，以网络的分形和多重分形表征其蕴含的脑电信号的非线性特性，完成网络的分形和多重分形参数训练获得对应情绪脑电信号的加权网络G；更换另一条包含人类情绪的脑电信号重复进行上述工作，直至生成所有已知常规人类情绪脑电信号的加权网络。2.根据权利要求1所述一种基于加权水平可视图多重分形的情绪识别方法，其特征在于具体步骤如下：a、收集一条一维的包含人类情绪的脑电信号其中x
t
为脑电信号的第t个采样值，N为脑电信号的采样长度；b、将脑电信号X映射为加权水平可视图，记加权水平可视图为加权网络G；c、对加权网络G通过计算网络的分形与多重分形性质进行网络的无标度分析；首先设置尺度因子的序列qs，取尺度因子序列qs包含尺度因子q为元素，q可以取除q＝0以外的任何实数，取值范围在
‑
20至20之间；设置覆盖加权网络G中节点的沙盒半径的序列rs，令rs＝1:a:diam，即rs是最小值为1最大值为diam公差为a的等差序列，其中diam为网络的直径，即网络中任意两节点间距离的最大值，a为取值的间隔，设为网络带有权值的链路的平均值；d、取尺度因子序列qs中的尺度因子q；e、选择沙盒半径序列rs中的一个半径值r以及加权网络G的一个节点i作为沙盒的中心，以沙盒的中心开始，搜索所有小于等于r的节点并覆盖，并计算半径为r的沙盒中的节点数，记为其中N是加权网络G中的节点数，d
ij
表示节点i与j在加权网络G中的最短距离，为阶跃函数；f、在选择沙盒半径值为r的情况下，遍历加权网络G中的所有节点，计算半径为r的沙盒中的节点数g、遍历沙盒半径的序列rs不同的沙盒半径r，重复步骤e，f，g计算沙盒半径的序列rs中所有半径r的统计平均值<[M(r)]
q
‑1/N>，并利用公式：/N>，并利用公式：计算多重分形标度因子τ(q)；h、遍历尺度因子的序列qs不同的尺度因子q,重复步骤d，e，f，g，h计算尺度因子的序列qs不同的尺度因子q对应的多重分形标度因子τ(q)；i、计算广义维数D(q)＝τ(q)/(q
‑
1)，根据关联维数的定义可知，当q＝2时D
C
＝D(2)以衡量加权网络G的分形特性，通过勒让德变换得多重分形奇异谱f(α)～α，奇异谱通过Δα来衡量加权网络G多重分形性的强弱；j、将广义维数D(q)和多重分形奇异谱f(α)代入深度神经网络分类器进行训练，即可实
现通过脑电信号判断出对应的人类情绪；通过将不同人类情绪的脑电信号映射的加权网络G的多重分形奇异谱及广义维数，即可实现对任意输入的脑电信号所代表的情绪的分类与识别。3.根据权利要求1或2所述的基于加权水平可视图多重分形的情绪识别方法，其特征在于将一维脑电信号映射为加权水平可视图的具体算法为：将长度为N的一维脑电信号X的每一个采样点映射为加权水平可视图中的一个节点，水平可视图是一种由节点和连接这些节点的带有权值的链路构成的网络，共有N个节点，而两个节点之间是否能够连接成边取决于两节点是否满足水平可视性，水平可视性定义为序列中的每个样本值对应于图中的一个节点，如果两个节点对应的数据高度大于它们之间的所有数据高度，那么这两个节点就是水平可视的，即两个节点相连接；记G＝(V,E,W)为加权水平可视图的网络结构，其中是加权网络中节点集合，v
i
是网络的节点，i的取值范围为1到N；是加权网络中边集合，其中e
ij
是网络的边，表示连接v
i
和v
j
两个节点的连接关系，i和j取值范围均为1到N；W是加权网络中边E的权重值集合，w
ij
是W的元素，为e
ij
的值，w
ij
与网络中与边的两侧节点v
i<...

【专利技术属性】
技术研发人员：杨小冬，任彦霖，何爱军，王志晓，马璐，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：