情绪识别模型的训练方法、训练装置、设备及存储介质制造方法及图纸

本发明专利技术提供了一种情绪识别模型的训练方法、训练装置、设备及存储介质，训练方法包括：采集不同测试者在不同情绪刺激下的脑电信号；分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据；分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据；从不同测试者的脑电信号的特征数据中选取一部分特征数据作为情绪识别模型的训练数据。本发明专利技术提出的情绪识别模型的训练方法可以避免采用复杂的人工设计特征和人工筛选特征的步骤，降低了分析难度和复杂程度，且将脑电信号的拓扑特征作为训练数据可以获得在常规统计分析中丢失的关键信息，提升了识别的准确率。提升了识别的准确率。提升了识别的准确率。

【技术实现步骤摘要】
情绪识别模型的训练方法、训练装置、设备及存储介质


[0001]本专利技术涉及人体活动识别
，尤其涉及一种情绪识别模型的训练方法、训练装置、设备及存储介质。

技术介绍

[0002]情绪作为大脑的高级功能，是人类主体的一种心理活动。随着脑机接口(BCI)技术的发展，脑电信号在情绪识别和分类中被广泛应用，相对于人类外在特征的表现，类似脑电信号等电生理信号不受人类主观意志的影响，更能直接的反映出人类真实的生理和心理状态，所以脑电信号被作为情绪识别的一个相对客观的指标。
[0003]目前基于脑电信号的情绪识别根据技术分可为两类：一种是基于深度学习的方法，这类方法采用一种端到端的技术，训练隐藏的多层神经网络达到分类的效果；另一种是基于机器学习的方法，此类方法大多数方法都是基于频域、时域和时频结合等分析手段，提取信号的最大/最小值、中位数、熵、能量以及振幅等大量人工设计的特征结合机器学习算法进行情绪分类。由于脑电信号的复杂性，受影响的因素较多，基于上述方法在单独使用脑电信号进行情绪识别的时候效果往往不是很理想，所以许多研究会在研究情绪识别时加入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种情绪识别模型的训练方法，其特征在于，所述训练方法包括：采集不同测试者在不同情绪刺激下的脑电信号；分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据；分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据；从不同测试者的脑电信号的特征数据中选取一部分特征数据作为训练数据；利用所述训练数据对情绪识别模型进行训练。2.根据权利要求1所述的训练方法，其特征在于，分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据，包括：对每一个测试者的脑电信号进行下采样，获得每一个测试者的脑电信号的采样数据；对每一个测试者的脑电信号的采样数据进行带通滤波，获得每一个测试者的脑电信号的有效数据；采用第一截止频率和第二截止频率分别对每一个测试者的脑电信号的有效数据进行带通滤波，获得每一个测试者的脑电信号的第一子频带信号和第二子频带信号；对每一个测试者的脑电信号的第一子频带信号、第二子频带信号进行滑窗处理得到每一个测试者的脑电信号对应的多个窗口数据，每一个窗口数据均包括第一子频带信号的数据和第二子频带信号的数据；将每一个测试者的脑电信号对应的多个窗口数据作为所述测试者的脑电信号的预处理数据，获得每一个测试者的脑电信号的预处理数据。3.根据权利要求2所述的训练方法，其特征在于，每一个测试者的脑电信号对应的多个窗口数据中任意相邻两个窗口数据之间的重叠率为0。4.根据权利要求2所述的训练方法，其特征在于，对每一个测试者的脑电信号的采样数据进行带通滤波所采用的截止频率为0～75Hz，所述第一截止频率为4～7Hz，所述第二截止频率为8～13Hz。5.根据权利要求2所述的训练方法，其特征在于，分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据，包括：对每一个测试者的脑电信号对应的多个窗口数据中的每一个窗口数据进行相空间重建，获得每一个测试者的脑电信号对应的多个窗口数据的点云数据；对每一个测试者的脑电信号对应的多个窗口数据的点云数据分别进行持续同调，获得每一个测试者的脑电信号对应的多个窗口数据的持续同调...

【专利技术属性】
技术研发人员：颜延，吴选昆，刘语诗，陈达理，梁端，李慧慧，王磊，
申请(专利权)人：中国科学院深圳理工大学筹，
类型：发明
国别省市：