基于多层次SE注意力和图卷积的EEG情绪状态分类方法技术

本发明专利技术公开了一种基于多层次SE注意力和图卷积的EEG情绪状态分类方法。本发明专利技术先获取数据进行预处理；再通过DE来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后在两种任务场景下各自划定训练集和测试集，获得不重合的训练集和测试集；对于每个样本，分别经过脑电通道关系矩阵和MSE模块得到脑电通道关系矩阵和重构后的脑电通道特征，最终组成关于样本的图数据结构；接着把图结构送入GCN网络提取更深层次的图结构信息，然后用图池化方法输出整个图的最终表示；最后利用分类准确率对模型进行两种任务场景下的性能评估。本发明专利技术解决了脑电情绪识别中通道、频段和结构信息利用不充分的问题，训练出了高精度的被试内和跨被试的情绪状态分类器。被试的情绪状态分类器。被试的情绪状态分类器。

【技术实现步骤摘要】
基于多层次SE注意力和图卷积的EEG情绪状态分类方法


[0001]本专利技术属于生物特征识别领域中的脑电信号(EEG)情绪状态识别领域，具体涉及一种基于多层次SE(Squeeze and Excitation)注意力和图卷积的EEG情绪状态分类方法。

技术介绍

[0002]情绪是一种复杂而全面的心理生理状态，在人机交互和情感计算起着核心作用。一些情绪识别研究依赖于图像、手势、声音等非生理信号，但神经科学研究认为生理信号凭借其难以伪装和隐藏的特点，比行为信号更能代表描述情绪。EEG是一种直接准确反映人类大脑活动的生理信号，随着无创、易用、廉价的脑电图记录设备的快速发展，基于EEG的情绪识别已经受到越来越多的关注。
[0003]基于EEG的情绪识别研究主要涉及两个方面，即EEG判别特征的提取和情绪的分类。基本上，人为提取的EEG特征可以分为两种类型：时域特征类型(如Hjorth特征、分形维度特征)和频域特征类型(如PSD、DE)。与时域特征不同，频域特征旨在从频率角度获得EEG信息。一些基于EEG的情绪检测研究已经证明了频域特征在情绪识别中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多层次SE注意力和图卷积的EEG情绪状态分类方法，其特征在于该方法以DE特征作为使用的EEG信号频域特征，用结合多层次SE注意力和GCN的模型作为分类器，通过对EEG信号的分析，分别实现跨被试和被试内两种任务下的积极、消极和中性三种情绪状态的有效区分；首先获取数据进行带通滤波，然后用ICA技术去除伪迹；其次通过DE来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后在两种任务场景下各自划定训练集和测试集，获得不重合的训练集和测试集；对于每个样本，经过网络模块分别得到脑电通道节点关系矩阵A和重构后的脑电通道节点特征，最终组成关于样本的图数据结构；接着把图数据结构送入GCN网络提取更深层进行重构和再组合，重构后的数据经过GCN网络得到包含结构信息的输出，然后用图池化方法输出整个图的最终表示；最后利用分类准确率对模型进行两种任务场景下的性能评估。2.根据权利要求1所述的基于多层次SE注意力和图卷积的EEG情绪状态分类方法，其特征在于该方法具体包括如下步骤：步骤S1.数据处理，对脑电采集设备采集到的原始EEG数据的处理步骤如下：S1
‑
1：数据去噪S1
‑
2：DE特征提取步骤S2.数据定义和数据集划分：情绪状态分类存在两种测试情境：被试内和跨被试，这两种情况下的模型测试有着各自不同的数据定义和数据集划分，具体如下：假定存在N个被试，N个被试的集合表示为U，每个被试的数据集合表示为其中s表示被试，n表示一个被试中样本的个数，表示被试s的第i个样本，对应的标签为每个被试有15个情感试验，对于被试内的情感状态分类任务：选择每个被试前9个情感试验并假设其情绪状态标签已知，作为模型的训练集；选择后6个情感试验并假设其情绪状态标签未知，作为模型的测试集；对于跨被试的情感状态分类采用留一法进行数据集划分：首先取第一个被试的所有15次情感试验的数据并假设其情绪状态标签未知，作为测试集；取其余N
‑
1个被试的所有15次情感试验的数据并假设其情绪状态标签已知，作为训练集；然后再依次取第i个被试的15次情感试验作为测试集i＝2,3,
···
,N，取余下N
‑
1个被试的所有15次情感试验的数据作为训练集；总共进行N次模型实验并计算平均准确率；步骤S3.构建EEG图结构S3
‑
1：模型的具体数据输入对于被试内的情境：模型的训练集输入为对于被试内的情境：模型的训练集输入为对于被试内的情境：模型的训练集输入为表示第s个被试训练集的第i个样本，表示第s个被试训练集中第i个样本相应的真实标签；模型的测试集输入为对于跨被试的情境：模型的测试集输入为对于跨被试的情境：模型的测试集输入为表示被试s1的第i个样本；模型的训练集输入为试s1的第i个样本；模型的训练集输入为其中区别于训练集，模型不会从测试集中得到关于
样本i的任何标签信息；S3
‑
2：构建脑电通道关系矩阵在两种任务情境下，训练集和测试集中每一个样本x
i
∈R
nxd
,邻接矩阵构成模块会根据样本的具体输入构建一个描述n个通道间关系的邻接矩阵A∈R
nxn
，其中A
ij
为表示脑电通道i和j之间的关联性权重；S3
‑
3：基于MSE的脑电通道特征重标定，并再组合网络设计三个注意力机制的集合即MSE模块，在两种任务情境下，对于训练集和测试集中每一个样本x
i
∈R
nxd
,MSE模块会根据样本的具体输入去重标定、再组合出一个新的样本特征x_re
i
∈R
nx(3d)
；为了探究不同通道特征的重要性，设计有Channel
‑
SE模块，具体来说先用F
sq
函数求出各个通道的平均表示然后用F
ex
函数获得通道间的非线性关系,求出各个通道的重要性表示v_c
i
，最后通过F
scale
得到Channel
‑
SE模块的最终输出为了探究不同频段特征的重要性，设计有Frequency
‑
SE模块，具体来说先用F
sq
函数求出各个频段的平均表示然后用F
ex
函数获得频段间的非线性关系,求出各个频段的重要性表示v_f
i
，最后通过F
scale
得到Frequency
‑
SE模块的最终输出为了探究不同样本x
i
对模型的不同贡献，设计有Sample
‑
Attention模块，具体来说先用F
sq
函数求出各个样本x
i
的通道平均表示和频段平均表示然后把两者连接在一起组成样本的平均表示再用全连接网络对进行特征转换得到样本的重要性表示v_s
i
，最后通过F
scale
得到Sample
‑
Attention模块的最终输出综上，分别得到了C...

【专利技术属性】
技术研发人员：曾虹，潘登，徐非凡，郑浩浩，欧阳瑜，钱东官，罗小峰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：