一种基于对比学习的心电图情绪识别方法技术

本发明专利技术公开了一种基于对比学习的心电图情绪识别方法，包括以下步骤：

【技术实现步骤摘要】
一种基于对比学习的心电图情绪识别方法


[0001]本专利技术涉及心电图情绪识别
，具体是一种基于对比学习的心电图情绪识别方法
。

技术介绍

[0002]情绪是人对外界客观事物的态度体验及其相应的行为反应，情绪识别在许多场景中都非常有用
。
例如，在医学领域，用于抑郁病人的压力评估；在产品销售领域，获取用户的情绪变化，有利于确定个人是否真的有兴趣购买某种商品；在交通领域中，及时检测司机的情绪状态是避免事故发生的一种有效手段
。
[0003]近年来，国内外学者使用各种生理信号用于情绪识别，其中有面部表情
、
心电图
(ECG)、
脑电图
(EEG)、
眼电图
(EOG)
和皮肤电反应
(GSR)
等
。
研究证明，在上述生理信号中，心电图是用于人类情绪识别可靠且有效的信息来源，在识别和预测人类情绪方面具有很大的潜力
。
[0004]现有技术方案：通常基于心电图来实现情绪识别的方法有两种：基于手工提取特征和传统的机器学习方法；基于自动提取特征和先进的深度学习方法
。
基于手工提取特征和传统的机器学习方法和基于自动提取特征和深度学习方法旨在使用大量有标注的数据在全监督的条件设定下进行特征提取分类
。
尽管这些方法取得了不错的效果，但它们主要关注如何设计特征提取和分类方法，未充分考虑现实情况中有情绪标签的心电数据稀少的问题
。/>与此同时，现实世界中每天都会产生数以万计的无标签心电数据，如何利用这些无标签心电数据来更好的完成情绪识别任务成了迫切需要解决的问题
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于对比学习的心电图情绪识别方法，以解决现有技术中的问题
。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于对比学习的心电图情绪识别方法，包括以下步骤：
[0007]S1
：获取原始无标签心电信号数据，进行预处理；
[0008]S2
：利用心电数增强模块的弱增强和强增强两种增强方式，从原始心电数据中生成两种不同但相关的视图；
[0009]S3
：将得到的两种视图的心电信号数据分别输入到同一个全卷积网络中，分别得到两种视图的数据在每个时刻的特征表示；
[0010]S4
：通过自回归模型
transformer
得到融合了一种视图的0‑
t
时刻的特征表示的
context
；
[0011]S5
：分别用一种视图得到的
context
去预测另外一种视图在
t
时刻以后的特征表示，建立多任务损失函数；
[0012]S6
：将两种视图得到的
context
输入对比损失计算模块计算对比损失；
[0013]S7
：训练全卷积网络和自回归模型，最小化损失，在全卷积网络后接一个全连接层，得到一个新的网络，使用有标签数据对该网络进行训练；
[0014]S8
：将待识别的心电信号信号输入训练好的网络，得到分类结果，完成对情绪的识别
。
[0015]优选的，所述
S1
中心电信号数据从公开数据集中采集的数据或者直接采集的数据
。
[0016]优选的，所述
S1
中预处理包括以下步骤：
[0017]S11
：对数据下采样到
256hz
；
[0018]S12
：对所有的数据应用通带频率为
0.8hz
的高通
IIR
滤波器；
[0019]S13
：对数据采用
z
‑
score
标准化；
[0020]S14
：处理后的心电信号被分割为固定窗口大为
10
秒的片段，每个段之间没有重叠
。
[0021]优选的，所述
S2
中：
[0022]强增强使用的策略是一种
Scale+Permutation
，
Scale
表示原始信号
S(t)
乘以一个缩放因子
β
(
β
＞
0)
得到缩放后的信号
Permutation
表示原始信号被分成
m
个片段
s1,s2,
…
,s
m
.
这些片段被随机打乱然后重新拼接在一起得到增强后的信号
[0023]弱增强使用的策略是在使用增加
Gauss noise
，即为原始信号添加高斯噪音，具体操作为，对于一段原始信号
S(t)
，
N(t)
是概率分布满足均值为
0,
标准差为的高斯噪音；其中为
N(t)
的平均功率；值为这里为
S(t)
的平均功率，用于控制加噪信号的信噪比
。
[0024]优选的，所述
S3
中所使用的全卷积网络包括3个连续的卷积块，每个卷积块包括一个卷积层，后面跟着一个
batch normalization
以加快收敛速度并有助于提高泛化能力，一个
ReLU
激活层和一个最大池化层；其中
filter
的数量从
32
增加到
64
和
128
，而卷积核尺寸大小从
25
减少到8和8；每个最大池化层中
filter
和步长都为2不变；在第一个卷积块后引入了
10
％的
dropout。
[0025]优选的，所述
S4
中使用的
Transformer
模型一共包括
L
个相同的
encoder
，每个
encoder
主要包括一个
multi
‑
headed attention
块和一个多层感知机，同时使用了前残差归一化，即
LayerNorm
发生在子层和残差连接之前
。
[0026]优选的，所述
S5
中：
[0027]对于一个经过上层特征提取网络得到的特征向量
z
，自回归模型
f
ar
将所有小于时间步长
t
的向量编码为代表上下文的一个特征表示
c
t
，
c
t
＝
f
ar
(z≤t)
，这里
c...

【技术保护点】

【技术特征摘要】
1.
一种基于对比学习的心电图情绪识别方法，其特征在于：包括以下步骤：
S1
：获取原始无标签心电信号数据，进行预处理；
S2
：利用心电数增强模块的弱增强和强增强两种增强方式，从原始心电数据中生成两种不同但相关的视图；
S3
：将得到的两种视图的心电信号数据分别输入到同一个全卷积网络中，分别得到两种视图的数据在每个时刻的特征表示；
S4
：通过自回归模型
transformer
得到融合了一种视图的0‑
t
时刻的特征表示的
context
；
S5
：分别用一种视图得到的
context
去预测另外一种视图在
t
时刻以后的特征表示，建立多任务损失函数；
S6
：将两种视图得到的
context
输入对比损失计算模块计算对比损失；
S7
：训练全卷积网络和自回归模型，最小化损失，在全卷积网络后接一个全连接层，得到一个新的网络，使用有标签数据对该网络进行训练；
S8
：将待识别的心电信号信号输入训练好的网络，得到分类结果，完成对情绪的识别
。2.
根据权利要求1所述的一种基于对比学习的心电图情绪识别方法，其特征在于：所述
S1
中心电信号数据从公开数据集中采集的数据或者直接采集的数据
。3.
根据权利要求1所述的一种基于对比学习的心电图情绪识别方法，其特征在于：所述
S1
中预处理包括以下步骤：
S11
：对数据下采样到
256hz
；
S12
：对所有的数据应用通带频率为
0.8hz
的高通
IIR
滤波器；
S13
：对数据采用
z
‑
score
标准化；
S14
：处理后的心电信号被分割为固定窗口为
10
秒的片段，每个段之间没有重叠
。4.
根据权利要求1所述的一种基于对比学习的心电图情绪识别方法，其特征在于：所述
S2
中：强增强使用的是一种
Scale+Permutation
，
Scale
表示原始信号
S(t)
乘以一个缩放因子
β
得到缩放后的信号
Permutat ion
表示原始信号被分成
m
个片段
s1,s2,
…
,s
m
.
这些片段被随机打乱然后重新拼接在一起得到增强后的信号弱增强使用的是在使用增加
Gauss noise
，即为原始信号添加高斯噪音，具体操作为，对于一段原始信号
S(t)
，
N(t)
是概率分布满足均值为0，标准差为的高斯噪音；其中为
N(t)
的平均功率；值为这里为
S(t)
的平均功率，用于控制加噪信号的信噪比
。5.
根据权利要求1所述的一种基于对比学习的心电图情绪识别方法，其特征在于：所述
S3
中所使用的全卷积网络包括3个连续的卷积块，每...

【专利技术属性】
技术研发人员：龙锦益，林旭辉，
申请(专利权)人：宁波易康智能技术开发有限公司，
类型：发明
国别省市：