【技术实现步骤摘要】
基于多分支图卷积网络的脑电情绪识别方法
[0001]本专利技术属于信号处理
，涉及脑机接口领域，涉及基于多分支图卷积网络的脑电情绪识别方法，更具体的涉及一种在线基于时空图卷积神经网络的脑电情感特征识别的脑机接口系统。
技术介绍
[0002]目前，脑电在情感识别的研究领域已经有了很多重要发现。在众多生理信号中，由于脑电直接取自大脑信号，能直接反映出大脑的实时活动状态，具有不可欺骗性，因此基于脑电信号的情感识别具有实际意义。有效的解读个体的情绪状态能够解决工作生活中的各种实现问题，例如医生实时监控病人的情绪状态以便及时调整治疗方案，了解顾客对产品的满意度，检测驾驶员驾驶车辆过程中的疲劳状况等等，同时，由于脑机接口(BCI)的广泛应用，基于脑电信号的情感识别研究将大大有助于提高人机交互时用户的体验感受。
[0003]脑电信号由于其时间分辨率高，实时性强，对人脑的情绪状态做出更直接的反应，因此被广泛使用于情感识别的应用研究中。早期大脑信息处理机制的研究主要是建立全脑各个脑电通道的基础上。但随着研究的深入，尽管大脑分为很...
【技术保护点】
【技术特征摘要】
1.基于多分支图卷积网络的脑电情绪识别方法，其特征在于所述方法包括以下步骤：S1：获取情绪脑电数据，并对情绪脑电数据进行预处理；S101：对情绪脑电数据采用1
‑
50Hz带通滤波器进行滤波处理，然后将其划分为θ频段，α频段，β频段，γ频段；S102：对上述不同频段脑电数据进行切片，以固定长度s进行滑动窗口操作；S103：获取节点特征；根据国际10
‑
20系统电极位置，对切片处理后的脑电数据进行特征提取，将提取的特征数据从1维数据转变为2维平面格式，得到每个脑电样本的4个频段二维平面，整合4个频段的二维平面得到3维脑电特征数据作为节点特征；S104:获取基于物理距离的边特征A1；通过2个相同的基于物理距离的邻接矩阵的逐点相乘的融合方式得到情感信息更加丰富的边特征A1:其中表示逐点相乘；A
d
表示基于物理连接的邻接矩阵，其计算方式如下：其中τ表示预设阈值，θ表示固定参数，dist(i,j)代表第i个节点到第j个节点之间的距离；S105：获取考虑相关性连接的边特征A2；通过基于相关性连接的注意机制来优化基于物理距离的邻接矩阵得到边特征A2：其中X是基于自适应网络层进行学习后得到的不同通道之间特征差异性表征的注意力矩阵；S2：构建多分支图卷积网络；所述多分支图卷积网络包括并行的第一分支、第二分支；所述第一分支、第二分支的结构相同，均包括输入层、通道注意力模块、时空图卷积神经网络；所述第一分支用于提取脑电的基于物理距离的情感信息；其输入层用于接收节点特征和边特征A1，构成特征图G1；所述第二分支用于提取脑电的基于相关性连接的注意机制来优化的情感信息；其输入层用于接收节点特征和边特征A2,构成特征图G2；所述通道注意力模块采用空间注意力机制提取空间注意力矩阵，其定义如下：Attn
s
＝V
s
·
σ((X
s
Z1)Z2(Z3X
s
)+C
s
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式(4)Attn
smn
＝SoftMax(Attn
sm
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式(5)其中Attn
s
表示空间注意力矩阵；X
s
∈R
N
×
W
×
T
是对应空间层输入；Attn
smn
∈R
W
×
W
表示通道m和通道n构成的边的重要性；σ表示sigmoid激活函数；SoftMax表示矩阵归一化操作；V
s
∈R
T
×
T
，C
s
∈R
T
×
T
，Z1∈R
W
×1,Z2∈R
W
×
N
,Z3∈R
W
×1是待学习参数，N为EEG通道数量，T为待分类样本的上下文长度，W为特征维度；所述时空图卷积神经网络包括时间注意力块、图卷积块、决策融合层；
①
所述时间注意力块考虑到在时间维度上，相邻情绪片段之间存在相关性，且相关性在不同的情况下有所不同；因此，利用时间注意力机制来捕捉大脑情绪网络中的动态时间信息，其定义如下：Attn
t
＝V
t
·
σ((X
t
M1)MZ2(M3X
t
)+C
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式(6)Attn
tmn
＝SoftMax(Attn
【专利技术属性】
技术研发人员：张建海，刘伟健，朱莉，刘芬，陈文斌，梅佳伟，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。