基于脑电数据特征提取的情感识别方法及设备技术

本发明专利技术提供了一种基于脑电数据特征提取的情感识别方法及设备

【技术实现步骤摘要】
基于脑电数据特征提取的情感识别方法及设备


[0001]本专利技术实施例涉及深度学习
，尤其涉及一种基于脑电数据特征提取的情感识别方法及设备
。

技术介绍

[0002]近年来，情绪识别在脑机接口和人机交互研究领域备受关注，为大脑和计算机之间提供了一个很好的交流方式
。
人机交互则将情感识别
、
语音识别等作为媒介，传递交换人与计算机之间的信息，同时情感能在不同程度上影响人的感知
、
思维
、
记忆与决策，因此，有效的情感识别将有助于提高人机交互能力
。
脑电信号作为一种直接反映大脑活动的生理信号，可以为情绪识别提供更复杂的信息，熵作为一种非线性特征，在脑电信号分类中取得了较好的效果，不同的熵从不同的角度反映了信号的特征
。
在情感识别过程中，不仅特征提取是重要环节，分类器的选择也会影响情感识别效果
。
机器学习方法的效果依赖于特征值的选取，需要人工选取能够体现数据差异的特征值，还需要选取合适的分类器，分类器的效果受特征方法的影响较大
。
因此，开发一种基于脑电数据特征提取的情感识别方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题
。

技术实现思路

[0003]针对现有技术存在的上述问题，本专利技术实施例提供了一种基于脑电数据特征提取的情感识别方法及设备
。
[0004]第一方面，本专利技术的实施例提供了一种基于脑电数据特征提取的情感识别方法，包括：提取多通道一维脑电信号的特征值组，构成二维特征矩阵，根据通道将二维特征矩阵转换为三维特征矩阵；通过对三维特征矩阵的训练得到分类模型，输出情感识别结果；采用混淆矩阵对情感识别结果进行精度评估
。
[0005]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于脑电数据特征提取的情感识别方法，所述提取多通道一维脑电信号的特征值组，包括：提取多通道一维脑电信号的
Renyi
熵
、
样本熵及复杂度
。
[0006]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于脑电数据特征提取的情感识别方法，所述提取多通道一维脑电信号的
Renyi
熵，包括：其中，为
Renyi
熵；为第
i
段时长序列；
N
为一维脑电信号的总段数；为任一段一维脑电信号落入第
i
个时长序列的概率；为正系数
。
[0007]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于脑电数据特征提取的情感识别方法，所述提取多通道一维脑电信号的样本熵，包括：
其中，
SE(m,r)
为样本熵；为两个序列在相似容限下匹配
m
个点的概率；为两个序列在相似容限下匹配
m+1
个点的概率；
L
为时长序列长度；
m
为矢量维度；
num
为数量；
max
为取最大值符号；为
k
维矢量的第
q
个元素；为
k
维矢量的第
j
个元素；为由
m
维重构后的
k
维矢量的第
q
个元素；为由
m+1
维重构后的
k
维矢量的第
j
个元素；
r
为距离阈值；
ln
为自然对数
。
[0008]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于脑电数据特征提取的情感识别方法，所述提取多通道一维脑电信号的复杂度，包括：其中，
c(n)
为时长序列的复杂度值；
LZC
为复杂度的归一化系数；
b(n)
为时长序列的复杂度极限值；
n
为时长序列的长度；为以2为底的对数；
lim
为求极限符号；为无穷大符号
。
[0009]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于脑电数据特征提取的情感识别方法，所述通过对三维特征矩阵的训练得到分类模型，包括：构建浅层卷积神经网络，浅层卷积神经网络前三层为卷积层，通过卷积运算使原信号特征加强，并降低噪声；每层分别使用了8个
、16
个及
32
个滤波器，计算对应通道输入与滤波器的卷积，得到相应个数的特征图；卷积核大小为
5*5
，步长为1；每个卷积层均增加填充
padding
进行扩充，后一卷积层的特征图是上一卷积层特征图的不同组合，使用线性整流函数
Relu
作为激活函数增加网络的非线性，并加快网络收敛，浅层卷积神经网络中添加一个池化层，
Flatten
层与卷积层全连接，计算输入向量和权重向量之间的点积，将多维输入一维化，在全连接层中间增加
Dropout
层，参数设置为
0.5
；利用
softmax
函数处理最后一个全连接层生成特征向量，并用概率向量表示类别的预测结果
。
[0010]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于脑电数据特征提取的情感识别方法，所述采用混淆矩阵对情感识别结果进行精度评估，包括：对情感识别结果的灵敏度
、
阳性预测值和准确度进行精度评估；具体包括：
其中，
TP
表示真实为积极情感预测为积极情感；
TN
表示真实为消极情感预测为消极情感；
FP
表示真实为积极情感预测为消极情感；
FN
表示真实为消极情感预测为真实情感
。
[0011]第二方面，本专利技术的实施例提供了一种基于脑电数据特征提取的情感识别装置，包括：第一主模块，用于实现提取多通道一维脑电信号的特征值组，构成二维特征矩阵，根据通道将二维特征矩阵转换为三维特征矩阵；第二主模块，用于实现通过对三维特征矩阵的训练得到分类模型，输出情感识别结果；第三主模块，用于实现采用混淆矩阵对情感识别结果进行精度评估
。
[0012]第三方面，本专利技术的实施例提供了一种电子设备，包括：至少一个处理器
、
至少一个存储器和通信接口；其中，所述处理器
、
存储器和通信接口相互间进行通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，执行第一方面的各种实现方式中任一种实现方式所提供的基于脑电数据特征提取的情感识别方法
。
[0013]第四方面，本专利技术的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的基于脑电数据特征提取的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于脑电数据特征提取的情感识别方法，其特征在于，包括：提取多通道一维脑电信号的特征值组，构成二维特征矩阵，根据通道将二维特征矩阵转换为三维特征矩阵；通过对三维特征矩阵的训练得到分类模型，输出情感识别结果；采用混淆矩阵对情感识别结果进行精度评估
。2.
根据权利要求1所述的基于脑电数据特征提取的情感识别方法，其特征在于，所述提取多通道一维脑电信号的特征值组，包括：提取多通道一维脑电信号的
Renyi
熵
、
样本熵及复杂度
。3.
根据权利要求2所述的基于脑电数据特征提取的情感识别方法，其特征在于，所述提取多通道一维脑电信号的
Renyi
熵，包括：其中，为
Renyi
熵；为第
i
段时长序列；
N
为一维脑电信号的总段数；为任一段一维脑电信号落入第
i
个时长序列的概率；为正系数
。4.
根据权利要求3所述的基于脑电数据特征提取的情感识别方法，其特征在于，所述提取多通道一维脑电信号的样本熵，包括：其中，
SE(m,r)
为样本熵；为两个序列在相似容限下匹配
m
个点的概率；为两个序列在相似容限下匹配
m+1
个点的概率；
L
为时长序列长度；
m
为矢量维度；
num
为数量；
max
为取最大值符号；为
k
维矢量的第
q
个元素；为
k
维矢量的第
j
个元素；为由
m
维重构后的
k
维矢量的第
q
个元素；为由
m+1
维重构后的
k
维矢量的第
j
个元素；
r
为距离阈值；
ln
为自然对数
。5.
根据权利要求4所述的基于脑电数据特征提取的情感识别方法，其特征在于，所述提取多通道一维脑电信号的复杂度，包括：其中，
c(n)
为时长序列的复杂度值；
LZC
为复杂度的归一化系数；
b(n)
为时长序列的复杂度极限值；
n
为时长序
列的长度；为以2为底的对数；
lim
为求极限符号；为无穷大符号
。6....

【专利技术属性】
技术研发人员：宋奇蔚，孙小棋，
申请(专利权)人：致讯科技天津有限公司，
类型：发明
国别省市：