基于混合图网络的情绪识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及一种基于混合图网络的情绪识别方法，该方法包括以下步骤：获取脑电信号；对所述脑电信号分别进行筛选、分割、频带分离、去除伪迹和提取微分熵特征的预处理，得到EEG特征信号，所述EEG特征信号包括电极通道、时间和频率三维特征；基于所述EEG特征信号构建包含多个结点和特征长度的EEG通道图，其中，所述结点对应所述EEG特征信号的多个电极通道；将所述EEG通道图输入至情绪识别模型，得到情感类别，其中，所述情绪识别模型包括图卷积神经网络、BI

【技术实现步骤摘要】
基于混合图网络的情绪识别方法、装置、设备及存储介质


[0001]本专利技术涉及信号处理
，尤其涉及一种基于混合图网络的情绪识别方法、装置、设备及存储介质。

技术介绍

[0002]脑电等生理信号可以反映出中枢神经系统的动态变化，相对于面部表情等非生理信号而言，可以更为全面和客观地评价人类的情感。随着干式脑电电极技术和基于脑电信号处理方法的快速发展，利用脑电信号进行情感识别已成为研究热点。
[0003]目前，图卷积神经网络已经可以较为准确的进行情感识别，但是，当脑电信号的划分时间较短时，图卷积神经网络不能很好地提取脑电信号特征，导致跨被试识别的准确率会明显下降。可以看出，跨被试识别的准确率仍是利用脑电识别情感的主要问题。

技术实现思路

[0004]基于此，本专利技术提供一种基于混合图网络的情绪识别方法、装置、设备及存储介质。本申请使用图卷积和BI
‑
LSTM网络算法构建情感识别模型，提取出脑电信号中的更深层次的特征信息，根据这些特征信息将会得出更加准确的情感分类结果。
[0005]根据本申请的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合图网络的情绪识别方法，其特征在于，该方法包括以下步骤：获取脑电信号；对所述脑电信号分别进行筛选、分割、频带分离、去除伪迹和提取微分熵特征的预处理，得到EEG特征信号，所述EEG特征信号包括电极通道、时间和频率三维特征；基于所述EEG特征信号构建包含多个结点和特征长度的EEG通道图，其中，所述结点对应所述EEG特征信号的多个电极通道；将所述EEG通道图输入至情绪识别模型，得到情感类别，其中，所述情绪识别模型包括图卷积神经网络、BI
‑
LSTM网络和全连接层。2.根据权利要求1所述的一种基于混合图网络的情绪识别方法，其特征在于，基于所述EEG特征信号构建包含多个结点的EEG通道图，包括：将所述EEG特征信号输入至卷积神经网络模型，对所述EEG特征信号进行二维卷积和二维池化，提取所述EEG特征信号的时域特征和频域特征，并对提取的所述时域特征和频域特征进行变形，得到包含多个结点和特征长度的所述EEG通道图，所述EEG通道图的定义公式如下：如下：如下：A＝{a
ij
}其中，v为EEG通道图的结点，总共有N个结点、为EEG通道图不同结点之间的边、A∈R
N
×
N
为EEG通道图的邻接矩阵、a
ij
为EEG通道图的结点v
i
，v
j
连接边的权重；两结点之间的权重a
ij
根据v
i
和v
j
结点的EEG特征信号计算得出，计算公式如下：其中，W∈R
F
×
L
是线性层权重、F其中为每个结点的时域特征长度、L为所述特征长度、θ为tanh激活函数。3.根据权利要求2所述的一种基于混合图网络的情绪识别方法，其特征在于，将所述EEG通道图输入至情绪识别模型，得到情感类别，包括：将所述EEG通道图输入至所述图卷积神经网络中进行卷积，得到一维特征向量；将所述一维特征向量输入至所述BI
‑
LSTM网络中，提取深层特征，并输出至所述全连接层进行分类，得到分类结果。4.根据权利要求3所述的一种基于混合图网络的情绪识别方法，其特征在于，基于所述EEG特征信号构建包含多个结点的EEG通道图后，还包括：计算所述EEG通道图的邻接矩阵，计算公式如下：A＝Softmax(GG
T
)其中，即结点对应的所述EEG的特征信号、W∈R
N
×
F
为线性层的权重、G∈R
N
×
L
是线性层的输出；
采用top
‑
k算法，只保留邻接矩阵A的k个最大值，其他的连接将...

【专利技术属性】
技术研发人员：李景聪，陈希昶，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：