【技术实现步骤摘要】
一种融合多尺度特征的脑电信号情感识别算法
[0001]本专利技术属于深度学习领域,涉及情感识别技术,具体为一种融合多尺度特征的脑电信号情感识别算法
。
技术介绍
[0002]情感的产生源于人类心理活动,对人类的精神状态
、
认知和决策产生着深远的影响
。
情感识别在人机交互领域具有广泛的应用和潜力,因为有效的识别情感可以提升计算机的智能水平
。
在情感识别中,面部表情和语音信号容易受到个体主观控制的影响,而脑电信号不受个体主观性的影响,能更加客观地反映出个体真实的情感状态
。
由于脑电图
(EEG)
信号具有弱振幅
、
背景噪声复杂
、
随机性
、
显著个体差异性以及在形成过程中包含丰富的时间和空间信息等特点,使得实现可靠识别具有挑战性
。
[0003]残差网络
(Residual Network
,
ResNet)
是由
He
等人于
2015
年提出的一种深度卷积神经网络结构,旨在解决深层网络中的梯度消失和梯度爆炸等问题
。
其核心思想是引入了残差连接,通过跨层直接传递信息,有效地减轻了信息丢失问题,从而使网络能够训练更深的层次
。ResNet
的出现极大地推动了深度神经网络的发展,使得模型在更复杂的任务上取得了更好的性能
。
[0004]特征金字塔网络
【技术保护点】
【技术特征摘要】
1.
一种融合多尺度特征的脑电信号情感识别算法,其特征步骤包括:将原始脑电信号转换为三维特征矩阵,将三维特征矩阵输入至基于残差网络的多尺度可变形卷积交互注意网络模型中进行训练,最后经过分类器预测脑电信号情感类别;所述网络模型采用可变形卷积作为特征提取的核心组件,并使用高效通道注意力机制来捕获通道间的重要信息以优化特征的提取,在网络模型顶部应用自下而上特征金字塔网络来融合多尺度特征,并在网络模型中引入双向门控循环单元,从正向和反向两个方向提取上下文语义信息
。2.
根据权利要求1所述的一种融合多尺度特征的脑电信号情感识别算法,其特征在于,所述将原始脑电信号转换为三维特征矩阵,步骤包括:将前
3s
脑电信号作为基准,采用滑动窗口对后
60s
脑电信号进行分割,滑动窗口步长设置为
1s
,分割的脑电信号片段之间没有重复,每个片段都被分配有与原始脑电信号相同的标签;然后,采用
Butterworth
带通滤波器将每个片段划分为若干个频带,分别从不同的频带中提取脑电信号通道的微分熵特征;之后,将所有脑电信号通道转换为
2D
矩阵,将从不同脑电信号通道中提取的微分熵特征按其相对位置坐标放入
2D
矩阵中对应的位置,
2D
矩阵中未使用的位置设为0,构造出三维特征矩阵,最后将构造的三维特征矩阵输入到所述基于残差网络的多尺度可变形卷积交互注意网络模型中
。3.
根据权利要求1所述的一种融合多尺度特征的脑电信号情感识别算法,其特征在于,所述基于残差网络的多尺度可变形卷积交互注意网络模型具有四层残差结构,在四层残差结构中均引入高效通道注意力机制,前三层残差结构中均使用传统卷积,将第四层残差结构中的传统卷积替换为可变形卷积;首先网络模型输入三维特征矩阵,经过卷积操作后,依次经过第一层残差结构
、
第二层残差结构
、
第三层残差结构
、
第四层残差结构;每一层残差结构输出的三维特征矩阵经过自下而上特征金字塔网络的卷积操作使每个三维特征矩阵维度一致,最后经过双向门控循环单元
、
全连接层和
softmax
层得到...
【专利技术属性】
技术研发人员:杜秀丽,孟一飞,邱少明,吕亚娜,刘庆利,
申请(专利权)人:大连大学,
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。