一种用于EEG情绪分类的类脑模块化回声状态网络及其方法技术

本发明专利技术提供一种用于EEG情绪分类的类脑模块化回声状态网络及其方法，其包括生成由M个模块构成的储层，并将N个神经元按序分配给M个模块；模块内神经元根据连接概率P1进行随机连接，模块间神经元根据连接概率P2进行随机连接，以此作为储层网络；将储层与输入层和输出层连接，生成M

【技术实现步骤摘要】
一种用于EEG情绪分类的类脑模块化回声状态网络及其方法


[0001]本专利技术涉及机器学习
，具体涉及一种用于EEG情绪分类的类脑模块化回声状态网络及其方法。

技术介绍

[0002]情绪是人对客观事物的态度体验及相应的行为反应，在人类社会和生活中扮演者有不可或缺的地位。情绪识别是理解和提取人类当前心里状态或思维方式的过程。随着人工智能技术的进步，情绪识别已经成为神经科学、计算机科学、认知科学和医学研究领域中非常重要的一个环节。近几年涌现出许多研究情绪识别的方法，例如面部表情、身体运动和手势等，但是这些通过人类表面运动的变化并不能够真实的反应一个人真正的情绪，而脑电信号(Electroencephalogram,EEG)是不会通过人为因素改变的，脑电信号最具有真实性，最能够准确的显示一个人的情绪，所以从自发的脑电信号中提取原始情绪具有重要意义。
[0003]脑电图(EEG)信号是帮助人类情绪解码的重要工具。在以前的研究中，一个轻量级的循环神经网络(RNN)，也叫回声状态网络(ESN)，其储层权值不参与训练，因此ESN具有计算简单高效的优点，已经成功地被用于基于脑电图的情绪识别。ESN的储层一般采用随机连接方式，但是研究表明这种随机连接结构的性能并不是最优的。近年来，有些研究使用内在可塑性和突触可塑性来调整ESN的储层权值，但是这需要额外的训练算法和程序，因此计算比较复杂。最近，神经科学研究表明，大脑具有模块化结构，它是由内部连接密集和外部连接稀疏的子网络组成。此外，事实证明这种模块化的结构有利于提高生物和人工神经网络的信息处理效率。因此，急需一种用于脑电图情绪识别的较高信息处理效率和高性能的模块化回声状态网络(Modular Echo State Network,M
‑
ESN)。

技术实现思路

[0004]本专利技术的目的在于提供一种用于EEG情绪分类的类脑模块化回声状态网络、优化设计方法及其EEG情绪识别方法，该方法可以解决传统ESN信息处理较低、以及已有改进ESN技术中储层需要额外的训练算法和程序，计算复杂等问题，从而达到不需要对储层权值进行调节的额外训练算法和程序，计算方式简单，信息处理效率高等目的。
[0005]为解决上述问题，本专利技术所采用的技术方案如下：
[0006]一种用于EEG情绪分类的类脑模块化回声状态网络，包括：
[0007]模块化回声状态网络模型，即M
‑
ESN模型，所述M
‑
ESN模型的储层采用模块化结构，并将M
‑
ESN用于EEG脑电情绪分类；
[0008]其中，所述M
‑
ESN模型包括输入层、储层以及输出层，其中，储层中的连接方式为模块化连接。
[0009]一种用于EEG情绪分类的类脑模块化回声状态网络的方法，该方法包括以下步骤：
[0010]生成M个模块和N个储层神经元，并将N个神经元按序分配给M个模块；
[0011]模块内神经元根据连接概率P1进行随机连接，模块神经元根据连接概率P2进行随机连接，以此作为储层网络；
[0012]将储层与输入层和输出层连接，生成M
‑
ESN模型，并将M
‑
ESN模型用于EEG脑电情绪分类；
[0013]其中，连接参数P1和P2分别表示模块内的连接概率和模块间的连接概率，M为模块个数。
[0014]根据本专利技术提供的一种用于EEG情绪分类的类脑模块化回声状态网络的方法，假设输入数据维度为N
input
，储层的维度为N，输出数据维度为N
output
，即输入层是大小为(N
input
，N)的矩阵，储层是大小为(N，N)的矩阵，输出层是大小为(N，N
output
)的矩阵。
[0015]根据本专利技术提供的一种用于EEG情绪分类的类脑模块化回声状态网络的方法，对于不具有模块化结构的网络为传统随机连接的网络，假设连接概率为p，节点数为N，对于每一个节点N
i
需要随机连接N
×
p条边，并且为单向连接。
[0016]根据本专利技术提供的一种用于EEG情绪分类的类脑模块化回声状态网络的方法，对于具有模块化结构的网络，假设模块内连接概率为p1、模块间的连接概率为p2、模块数为m、节点数为N，一个模块的节点数为size，首先将N个节点平均分配至m个模块中，接着对每一个节点进行模块内连接，在模块内随机选取p1×
size个节点并进行单向连接，然后对每一个节点进行模块间连接，在除自身模块的节点外，随机选取p2×
size个节点并进行单向连接。
[0017]根据本专利技术提供的一种用于EEG情绪分类的类脑模块化回声状态网络的方法，固定模块内连接概率P1的值分别为0.05、0.1、0.15、0.2、0.25以及0.3，在模块间连接概率P2与模块数M的二维参数空间，寻找最优的参数组合；并最终确定模块内连接概率P1、模块间连接概率P2与模块数M的三维参数空间的最优参数值，实现M
‑
ESN的优化设计。
[0018]根据本专利技术提供的一种用于EEG情绪分类的类脑模块化回声状态网络的方法，在生成M
‑
ESN模型后，对P1、P2和M进行优化设计，包括：模块内连接概率P1取值为0.05，0.1，0.15，0.2，0.25，0.3，当P1≠0.3时，即模块间连接概率P2取值从到P1步长为当P1＝0.3时，模块个数M＝[1，2，3，4，5，6，8，10]，根据P1、P2和M的不同参数组合，以准确率为评价指标，从而确定最优的类脑模块化结构。
[0019]根据本专利技术提供的一种用于EEG情绪分类的类脑模块化回声状态网络的方法，对于每次实验进行五折交叉验证，重复五次取均值作为结果，以二维等高线图形式进行可视化，根据彩条值确定最优性能的模块化结构。
[0020]根据本专利技术提供的一种用于EEG情绪分类的类脑模块化回声状态网络的方法，在选取最优的模块化参数后，生成特定的模块化网络模型，并分别应用于Valence、Arousal和Calm
‑
Stress等EEG情绪分类任务，根据分类结果画混淆矩阵图。
[0021]由此可见，相对于现有技术，本专利技术基于大脑神经网络的模块化结构特点，提出了模块化回声状态网络(Modular Echo State Network,M
‑
ESN)模型，即M
‑
ESN的储层采用模块化结构，并将M
‑
ESN用于脑电情绪分类。本专利技术在Valence二分类、Arousal二分类和Stress/Calm四分类任务中，M
‑
ESN的准确率比常规ESN的准确率分别高5.90％、5.44％和5.42％；与具有自适应规则的ESN相比，分别高5.49％、0.77％和0.95％。
[0022]因此，本专利技术提出了一种用于EEG情绪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于EEG情绪分类的类脑模块化回声状态网络，其特征在于，包括：模块化回声状态网络模型，即M
‑
ESN模型，所述M
‑
ESN模型的储层采用模块化结构，并将M
‑
ESN用于EEG脑电情绪分类；其中，所述M
‑
ESN模型包括输入层、储层以及输出层，其中，储层中的连接方式为模块化连接。2.一种用于EEG情绪分类的类脑模块化回声状态网络的方法，其特征在于，该方法包括以下步骤：生成M个模块和N个储层神经元，并将N个神经元按序分配给M个模块；模块内神经元根据连接概率P1进行随机连接，模块神经元根据连接概率P2进行随机连接，以此作为储层网络；将储层与输入层和输出层连接，生成M
‑
ESN模型，并将M
‑
ESN模型用于EEG脑电情绪分类；其中，连接参数P1和P2分别表示模块内的连接概率和模块间的连接概率，M为模块个数。3.根据权利要求1所述的方法，其特征在于：假设输入数据维度为N
input
，储层的维度为N，输出数据维度为N
output
，即输入层是大小为(N
input
，N)的矩阵，储层是大小为(N，N)的矩阵，输出层是大小为(N，N
output
)的矩阵。4.根据权利要求1所述的方法，其特征在于：对于不具有模块化结构的网络为传统随机连接的网络，假设连接概率为p，节点数为N，对于每一个节点N
i
需要随机连接N
×
p条边，并且为单向连接。5.根据权利要求1所述的方法，其特征在于：对于具有模块化结构的网络，...

【专利技术属性】
技术研发人员：王俊松，杨柳奕，王兆泽，
申请(专利权)人：深圳技术大学，
类型：发明
国别省市：