【技术实现步骤摘要】
本专利技术涉及脑电信号情绪识别领域，尤其涉及一种基于脑电信号的sgcrnn(谱图卷积递归神经网络)情绪识别方法，具体涉及根据脑电电极空间位置的余弦相似性与脑电通道特征的功能相关性相结合建立邻接矩阵图表示，结合sgcrnn预测模型可以捕捉eeg序列的时空依赖性，从而在三维情感模型上进行受试者情绪识别。
技术介绍
1、作为中枢神经生理信号的脑电信号可以反映大脑的活动情况，可以用于识别相应时刻的情绪状态。脑电图(eeg)技术简单、廉价、便携，识别结果难以伪装，更加客观可靠，因此基于脑电图的情绪识别已成为人工智能领域的一个重要分支。利用三维情绪模型进行情绪识别研究，能够充分地表达和量化受试者的情绪和情感。
2、传统的机器学习方法需要先从生理信号中提取与情绪相关的特征分量，再将提取到的特征输入分类器进行情绪识别。随着深度学习技术的不断发展，越来越多的研究人员应用神经网络对数据进行端对端的训练学习，与传统的特征提取方法相比较，提高了识别速度和准确率。tripathi等人研究了两个神经网络模型，一个简单的深度神经网络(dnn)和一个卷积神经网络(cnn)，通过eeg信号对用户的情绪进行分类。它表明，神经网络可以有效地对大脑信号进行分类，其效果优于传统方法。xing等人建立了一个基于长短时记忆递归神经网络(lstm-rnn)的情绪时空模型，并在deap数据集上进行了情绪识别实验，情绪识别的平均准确率达到81％。liao等人提取了110个eeg的统计特征并将其发送给cnn，valence在二分类中的准确率达到了81.4％。然而之前的深
3、本专利技术利用rnn方法分析eeg序列之间的时间相关性，捕捉eeg序列的时空依赖性。此外，本专利技术将图信号处理技术与rnn相结合，提出sgcrnn模型，用于脑电信号的特征学习建模研究。sgcrnn方法可以通过构建图表示描述脑区之间的物理关系和功能连接，具体通过将eeg电极空间位置关系和eeg通道特征的相关性相结合，建立图邻接矩阵，捕捉eeg通道间的局部关系和全局关系，更利于情感特征提取。构建一种新的sgcrnn模型处理eeg信号并进行情绪识别，既能在构建邻接矩阵时捕捉eeg序列的局部关系和全局关系，又能捕捉eeg序列的时空依赖性，弥补现有方法的缺点，提升准确率和识别速度。
技术实现思路
1、本专利技术为解决在多通道脑电图情绪识别过程中，在进行脑网络的特征学习时忽略不同脑区之间的相关性和的空间特征，丢失部分时间和空间信息，制约了情绪识别准确率提高的问题，提供了一种称为谱图卷积递归神经网络(sgcrnn)的新模型。具体使用切比雪夫网络(chebnet)，取代门控循环单元(gru)中的矩阵乘法运算，得到cngru(切比雪夫门控循环单元)网络层。sgcrnn模型由两个堆叠的cngru网络层、一个全连接层以及一个最大池化层组成。该模型既包含了切比雪夫网络提取eeg序列空间特征的优势，又利用了gru提取eeg序列特征的特点，实现sgcrnn捕捉eeg序列的时空依赖性。并在建立图表示时，将脑电电极空间位置的余弦相似性和脑电通道特征的相关性相结合，建立捕捉脑电通道之间的局部关系和全局关系的邻接矩阵，提高了算法的特征提取和情绪识别能力。
2、该方法可由以下步骤实现：
3、步骤一、申请下载开源数据集deap，使用该数据集中所采集的32通道带有标签的脑电信号，将63秒的数据删除3秒的试验前基线信号，并分割为12秒的试验信号，采用快速傅立叶变换(fft)将每段12秒的时域信号转换为频域信号；
4、步骤二、将脑电电极空间位置的余弦相似性和脑电通道特征的相关性相结合，构建邻接矩阵图表示，实现数学建模；
5、步骤三、计算归一化拉普拉斯矩阵、切比雪夫多项式，利用chebnet代替gru中的矩阵乘法运算，得到切比雪夫网络门控循环单元(cngru)；
6、步骤四、eeg序列通过由两个堆叠的cngru层、一个fc层和最大池化层组成的sgcrnn模型，得出预测结果；
7、步骤五、使用改进后的网络训练数据集并验证数据集，观察损失收敛时的迭代次数，分别得到在损失函数最优时的权重文件；
8、步骤六、使用测试集测试网络模型，分别得到在三维情绪模型上情绪识别结果的准确率和平均绝对误差值。
9、本专利技术的优点及有益效果如下：
10、1、本专利技术提供了一种新的脑电信号情绪识别网络模型，该谱图卷积递归神经网络模型有效降低了情绪识别结果的均方误差，提高了准确率；
11、2、本专利技术提出了一种将图信号技术应用于eeg信号特征学习的新方法，将脑电电极空间位置的余弦相似性和脑电通道特征的相关性相结合构建邻接矩阵图表示，能够同时捕捉脑电通道间的局部关系和全局关系；
12、3、本专利技术解决了rnn空间特征提取能力弱的问题，使用chebnet代替gru中的矩阵乘法运算，既利用了切比雪夫网络提取eeg序列空间特征的优势，又利用了gru擅长提取eeg序列时间特征的特点，实现充分捕捉eeg序列的时空依赖性。
本文档来自技高网...【技术保护点】
1.一种基于脑电信号的SGCRNN(谱图卷积递归神经网络)情绪识别方法，其特征是：该方法可由以下步骤实现：
2.根据权利要求1所述的一种脑电信号的SGCRNN情绪识别方法，其特征在于：步骤二中，建立EEGs的图形表示并计算邻接矩阵。为了捕捉EEG信道间的局部关系，我们利用EEG电极位置向量vi和vj之间的余弦相似度构造邻接矩阵A。EEG电极之间的余弦相似度计算如下：
3.根据权利要求1所述的一种脑电信号的SGCRNN情绪识别方法，其特征在于：步骤三中，使用ChebNet谱图卷积取代GRU中的矩阵乘法，利用GRU提取时间相关性的优势，结合擅长提取频域和空间域特征的谱图卷积，对EEG信号进行时空建模(简称为CNGRU)，表示如下：
【技术特征摘要】
1.一种基于脑电信号的sgcrnn(谱图卷积递归神经网络)情绪识别方法，其特征是：该方法可由以下步骤实现：
2.根据权利要求1所述的一种脑电信号的sgcrnn情绪识别方法，其特征在于：步骤二中，建立eegs的图形表示并计算邻接矩阵。为了捕捉eeg信道间的局部关系，我们利用eeg电极位置向量vi和vj之间的余弦相似度构...
【专利技术属性】
技术研发人员：白雪梅，谭佳琪，张晨洁，胡汉平，王云鹏，赵荟圆，史新瑞，
申请(专利权)人：长春理工大学，
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。