基于轻量级残差卷积胶囊网络的脑电情感识别检测方法及其系统技术方案

本发明专利技术公开了一种基于轻量级残差卷积胶囊网络的脑电情感识别检测方法，其特征在于，包括以下步骤：S1：提取脑电信号的原始波形并进行数据预处理；S2：采用基于残差卷积网络的特征提取器对特征的通道之间的相互依赖性建模，自动提取深层情绪特征；S3：采用卷积胶囊层将特征数据转换为原始胶囊，其长度和方向反映了与之相关的深层特征的存在性和特征；S4：采用情绪胶囊层作为分类器，利用权重矩阵捕获局部特征之间的位置关系，根据胶囊输出向量的长度表示该特征在当前胶囊层中出现的概率，获得相对应的预测结果。还公开了一种基于轻量级残差卷积胶囊网络的脑电情感识别检测系统。本发明专利技术能够显著提高情感识别水平检测的准确率。明能够显著提高情感识别水平检测的准确率。明能够显著提高情感识别水平检测的准确率。

【技术实现步骤摘要】
基于轻量级残差卷积胶囊网络的脑电情感识别检测方法及其系统


[0001]本专利技术涉及脑电情感识别检测
，特别是涉及一种基于轻量级残差卷积胶囊网络的脑电情感识别检测方法及其系统。

技术介绍

[0002]情绪的心理现象对人类的认知和决策以及行为有着深刻的影响，反映了主观的感觉和客观的生理反应。情绪分析是日常生活的重要组成部分，特别是在人机交互的背景下。近年来，脑电图(EEG)情绪识别取得了很好的进展。然而，所应用的浅层卷积神经网络(CNNs)并不能很好地表征不同特征之间的空间关系，这影响了这些模型的性能。此外，由于脑电图样本数据量较少，参数较多的网络容易出现过拟合现象；应用于脑电图情绪识别研究的传统CNN层次较浅，不能充分学习脑电图数据的有效信息；池化层丢失了大量有价值的信息；而简单的CNN无法区分情绪识别任务中特征之间的空间关系。
[0003]具有代表性的深层情绪特征可以提高预测性能，设计一种有效的从原始脑电图信号中直接提取深层特征是至关重要的。因此亟需提供一种新型的情感识别检测方法来解决上述问题。本文提出了一种基于轻量级残差卷积的胶囊网络(Light
‑
ResNet
‑
Capsule)用于脑电图情绪识别。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于轻量级残差卷积胶囊网络的脑电情感识别检测方法及其系统，首次针对脑电图样本数据量小的问题，提出轻量级残差卷积网络用于情感识别检测，能够显著提高情感识别技术的准确率。
[0005]为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种基于轻量级残差卷积胶囊网络的脑电情感识别检测方法，包括以下步骤：
[0006]S1：提取脑电信号的原始波形并进行数据预处理，作为情感识别水平预测的输入特征；
[0007]S2：采用基于残差卷积网络的特征提取器对特征的通道之间的相互依赖性建模，自动提取深层情绪特征；
[0008]S3：采用卷积胶囊层将S2得到的深层情绪特征数据转换为原始胶囊，促进胶囊包含更重要的情感信息，原始胶囊的长度和方向反映了与之相关的深层特征的存在性和特征
[0009]S4：采用情绪胶囊层作为分类器，利用权重矩阵捕获局部特征之间的位置关系，加强胶囊之间的联系，根据胶囊输出向量的长度表示该特征在当前胶囊层中出现的概率，获得相对应的预测结果。
[0010]在本专利技术一个较佳实施例中，在步骤S1中，提取脑电信号的原始波形并进行数据预处理的具体步骤包括：
[0011]去除基线并使用滑动窗口分割数据：
[0012][0013][0014]其中，X
p
表示通过滑动窗口分割的数据，表示每秒的基线信号，x
′
q
表示去除每秒基线信号的时间切片。
[0015]在本专利技术一个较佳实施例中，步骤S2的具体步骤包括：
[0016]对输入数据进行卷积和降采样，提取其时空特征；使用4个残差卷积块，特征图的通道增加到512，可以捕获更多的深层情绪特征：
[0017]y＝F(x，{W
i
})+x
ꢀꢀ
(3)
[0018]F＝σ(W1x)
ꢀꢀ
(4)
[0019]其中，x表示输入，函数F(x，{W
i
})表示要学习的残差映射，W1表示权重矩阵，σ表示ReLU激活函数，F+x是通过连接快捷方式和添加元素来执行的。
[0020]在本专利技术一个较佳实施例中，步骤S3的具体步骤包括：
[0021]S301：特征映射与512个大小为3
×
3的卷积核进行卷积，这些卷积内核的步幅为2，输出特征映射的形状为(8，2，512)；
[0022]S302：将上述特征图划分为64个通道维度为8的子特征图，即形状为(8，2，8)，以其中一个子特征图为例，其张量数据结构可以看作是排列在8
×
2网格中的多个8维向量，即每个载体(向量)代表一个包含8个元素的初级胶囊，通过对卷积胶囊层的计算，共得到1024个原始胶囊，这些原始胶囊将被用作情绪胶囊层的输入。
[0023]在本专利技术一个较佳实施例中，步骤S4的具体步骤包括：
[0024]将卷积胶囊层输出的整个原始胶囊被路由到包含16个元素的多个胶囊，由动态路由算法实现：
[0025]S401：利用权重矩阵W
ij
学习输入特征，并计算初级胶囊m
i
对情绪胶囊j的预测向量
[0026][0027]S402：通过对所有具有不同权值的进行求和生成胶囊S
j
：
[0028][0029][0030]c
ij
＝softmax(b
ij
)
ꢀꢀ
(8)
[0031]其中，胶囊网络的更新实际上是计算耦合系数，c
ij
表示主胶囊i与情绪胶囊j之间的耦合系数，其值可以通过在每次迭代中更新b
ij
的值来计算，然后进行softmax操作得到；
[0032]S403：利用非线性压缩函数压缩胶囊S
j
的长度，使短胶囊的长度接近0，长胶囊的长度接近1，用非线性压缩函数计算S
j
后，得到情绪胶囊j的概率值n
j
。
[0033][0034]为解决上述技术问题，本专利技术采用的另一个技术方案是：提供一种基于轻量级残
差卷积胶囊网络的脑电情感识别检测系统，包括：
[0035]脑电信号输入模块，用于提取脑电信号的原始波形并进行数据预处理，作为情感识别水平预测的输入特征；
[0036]特征处理模块，用于采用基于残差卷积网络的特征提取器对特征的通道之间的相互依赖性建模，自动提取深层情绪特征；
[0037]胶囊分类器模块，用于采用卷积胶囊层将特征数据转换为原始胶囊，促进胶囊包含更重要的情感信息；采用情绪胶囊层作为分类器，根据胶囊输出向量的长度表示该特征在当前胶囊层中出现的概率，获得相对应的预测结果。
[0038]在本专利技术一个较佳实施例中，所述脑电信号输入模块提取脑电信号的原始波形并进行数据预处理的具体步骤包括：
[0039]去除基线并使用滑动窗口分割数据：
[0040][0041][0042]其中，X
p
表示通过滑动窗口分割的数据，表示每秒的基线信号，X
′
q
表示去除每秒基线信号的时间切片。
[0043]在本专利技术一个较佳实施例中，所述特征处理模块采用基于残差卷积网络的特征提取器对特征的通道之间的相互依赖性建模，自动提取深层情绪特征的具体步骤包括：
[0044]对输入数据进行卷积和降采样，提取其时空特征；使用4个残差卷积块，特征图的通道增加到512，可以捕获更多的深层情绪特征：
[0045]y＝F(x，{W
i
})+x
ꢀꢀ<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量级残差卷积胶囊网络的脑电情感识别检测方法，其特征在于，包括以下步骤：S1：提取脑电信号的原始波形并进行数据预处理，作为情感识别水平预测的输入特征；S2：采用基于残差卷积网络的特征提取器对特征的通道之间的相互依赖性建模，自动提取深层情绪特征；S3：采用卷积胶囊层将S2得到的深层情绪特征数据转换为原始胶囊，促进胶囊包含更重要的情感信息，原始胶囊的长度和方向反映了与之相关的深层特征的存在性和特征；S4：采用情绪胶囊层作为分类器，利用权重矩阵捕获局部特征之间的位置关系，加强胶囊之间的联系，根据胶囊输出向量的长度表示该特征在当前胶囊层中出现的概率，获得相对应的预测结果。2.根据权利要求1所述的基于轻量级残差卷积胶囊网络的脑电情感识别检测方法，其特征在于，在步骤S1中，提取脑电信号的原始波形并进行数据预处理的具体步骤包括：去除基线并使用滑动窗口分割数据：去除基线并使用滑动窗口分割数据：其中，X
p
表示通过滑动窗口分割的数据，表示每秒的基线信号，X
′
q
表示去除每秒基线信号的时间切片。3.根据权利要求1所述的基于轻量级残差卷积胶囊网络的脑电情感识别检测方法，其特征在于，步骤S2的具体步骤包括：对输入数据进行卷积和降采样，提取其时空特征；使用4个残差卷积块，特征图的通道增加到512，可以捕获更多的深层情绪特征：y＝F(x，{W
i
})+x
ꢀꢀꢀꢀ
(3)F＝σ(W1x)
ꢀꢀꢀꢀ
(4)其中，x表示输入，函数F(x，{W
i
})表示要学习的残差映射，W1表示权重矩阵，σ表示ReLU激活函数，F+x是通过连接快捷方式和添加元素来执行的。4.根据权利要求1所述的基于轻量级残差卷积胶囊网络的脑电情感识别检测方法，其特征在于，步骤S3的具体步骤包括：S301：特征映射与512个大小为3
×
3的卷积核进行卷积，这些卷积内核的步幅为2，输出特征映射的形状为(8，2，512)；S302：将上述特征图划分为64个通道维度为8的子特征图，即形状为(8，2，8)，以其中一个子特征图为例，其张量数据结构可以看作是排列在8
×
2网格中的多个8维向量，即每个载体(向量)代表一个包含8个元素的初级胶囊，通过对卷积胶囊层的计算，共得到1024个原始胶囊，这些原始胶囊将被用作情绪胶囊层的输入。5.根据权利要求1所述的一种基于轻量级残差卷积胶囊网络的脑电情感识别检测方法，其特征在于，步骤S4的具体步骤包括：将卷积胶囊层输出的整个原始胶囊被路由到包含16个元素的多个胶囊，由动态路由算法实现：
S401：利用权重矩阵W
ij
学习输入特征，并计算初级胶囊m
i
对情绪胶囊j的预测向量对情绪胶囊j的预测向量S402：通过对所有具有不同权值的进行求和生成胶囊S
j
：：c
ij
＝softmax(b
ij
)
ꢀꢀꢀꢀ
(8)其中，胶囊网络的更新实际上是计算耦合系数，c
ij
表示主胶囊i与情绪胶囊j之间的耦合系数，其值可以通过在每次迭代中更新b
ij
的值来计算，然后进行softmax操作得到；S403：利用非线性压缩函数压缩胶囊S
j
的长度，使短胶囊的长度接近0，长胶囊的长度接近1，用非线性压缩函数计算S
j
后，得到情绪胶囊j的概率值n
j
。6.一种基于轻量级残差卷积胶囊网络的脑电情感识别检测系统，其特征在于，包括：脑电信号输...

【专利技术属性】
技术研发人员：范存航，汪锦勤，吕钊，吴敏超，裴胜兵，李平，
申请(专利权)人：安徽大学，
类型：发明
国别省市：