System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及脑电信号处理领域,尤其涉及一种基于脑电立体滤波特征的情绪识别方法、装置和存储介质。
技术介绍
1、相关技术中通过设计特殊的特征提取器、包含更多模块的学习模型,以期达到提升情绪识别准确率和泛化性的目标。然而,由于非平稳、非线性、非高斯、包含大量噪声等特点是脑电波(electroencephalogram,eeg)信号与生俱来的属性,即便是结合手工特征提取的手段,其在情绪识别上仍然具有很大的挑战。
技术实现思路
1、本专利技术提供一种基于脑电立体滤波特征的情绪识别方法、装置和存储介质,可以有效提高情绪识别的准确率与效率。
2、本专利技术提供一种基于脑电立体滤波特征的情绪识别方法,包括:
3、获取脑电波信号,并提取所述脑电波信号的微分熵特征;
4、将所述脑电波信号的微分熵特征映射到二维平面上进行排列,获得二维脑电特征;
5、使用高斯核对所述二维脑电特征进行滤波处理,所述高斯核通过高斯函数构建获得;
6、将滤波处理后的二维脑电特征进行堆叠,获得立体脑电特征;
7、提取所述立体脑电特征中的情绪特征;
8、基于所述情绪特征,获得情绪分类结果。
9、根据本专利技术提供的基于脑电立体滤波特征的情绪识别方法,所述提取所述脑电波信号的微分熵特征,包括:
10、将所述脑电波信号分为第一数量的波段的数据;
11、对所述第一数量的波段的数据进行切割,获得第二数量的片段;
>12、计算片段的微分熵特征。
13、根据本专利技术提供的基于脑电立体滤波特征的情绪识别方法,所述将所述脑电波信号的微分熵特征映射到二维平面上进行排列,获得二维脑电特征,包括:
14、将所述片段的微分熵特征按照头皮电极的通道位置映射到二维平面上进行排列,获得所述二维脑电特征。
15、根据本专利技术提供的基于脑电立体滤波特征的情绪识别方法,在所述提取所述立体脑电特征中的情绪特征之前,所述方法还包括:
16、构建卷积神经网络,所述卷积神经网络中包括批量归一化bn和实例归一化in;
17、所述提取所述立体脑电特征中的情绪特征,包括:
18、将所述立体脑电特征输入所述卷积神经网络,获得所述卷积神经网络输出的情绪特征。
19、根据本专利技术提供的基于脑电立体滤波特征的情绪识别方法,所述基于所述情绪特征,获得情绪分类结果,包括:
20、将所述情绪特征输入多层感知机mlp,获得所述mlp输出的情绪分类结果,所述mlp通过最小化交叉熵损失函数训练获得。
21、根据本专利技术提供的基于脑电立体滤波特征的情绪识别方法,所述将滤波处理后的二维脑电特征进行堆叠,获得立体脑电特征,包括:
22、将滤波处理后的二维脑电特征按照所述多个波段进行堆叠,获得所述立体脑电特征。
23、本专利技术还提供一种基于脑电立体滤波特征的情绪识别装置,包括:
24、获取模块,用于获取脑电波信号,并提取所述脑电波信号的微分熵特征;
25、排列模块,用于将所述脑电波信号的微分熵特征映射到二维平面上进行排列,获得二维脑电特征;
26、滤波模块,用于使用高斯核对所述二维脑电特征进行滤波处理,所述高斯核通过高斯函数构建获得;
27、堆叠模块,用于将滤波处理后的二维脑电特征进行堆叠,获得立体脑电特征;
28、提取模块,用于提取所述立体脑电特征中的情绪特征;
29、分类模块,用于基于所述情绪特征,获得情绪分类结果。
30、本专利技术还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于脑电立体滤波特征的情绪识别方法。
31、本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于脑电立体滤波特征的情绪识别方法。
32、本专利技术还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于脑电立体滤波特征的情绪识别方法。
33、本专利技术提供的一种基于脑电立体滤波特征的情绪识别方法、装置和存储介质,通过将脑电波信号的微分熵特征映射为二维的排列,可以对其进行滤波以减少数据中的噪声,然后堆叠成三维立体脑电特征,可以进一步提取可用于脑电情绪识别的情绪特征,最后实现情绪的分类识别,可以有效提高情绪识别的准确率与效率。
本文档来自技高网...【技术保护点】
1.一种基于脑电立体滤波特征的情绪识别方法,其特征在于,包括:
2.根据权利要求1所述的基于脑电立体滤波特征的情绪识别方法,其特征在于,所述提取所述脑电波信号的微分熵特征,包括:
3.根据权利要求2所述的基于脑电立体滤波特征的情绪识别方法,其特征在于,所述将所述脑电波信号的微分熵特征映射到二维平面上进行排列,获得二维脑电特征,包括:
4.根据权利要求1所述的基于脑电立体滤波特征的情绪识别方法,其特征在于,在所述提取所述立体脑电特征中的情绪特征之前,所述方法还包括:
5.根据权利要求1所述的基于脑电立体滤波特征的情绪识别方法,其特征在于,所述基于所述情绪特征,获得情绪分类结果,包括:
6.根据权利要求2所述的基于脑电立体滤波特征的情绪识别方法,其特征在于,所述将滤波处理后的二维脑电特征进行堆叠,获得立体脑电特征,包括:
7.一种基于脑电立体滤波特征的情绪识别装置,其特征在于,所述装置包括:
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于脑电立体滤波特征的情绪识别方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于脑电立体滤波特征的情绪识别方法。
...【技术特征摘要】
1.一种基于脑电立体滤波特征的情绪识别方法,其特征在于,包括:
2.根据权利要求1所述的基于脑电立体滤波特征的情绪识别方法,其特征在于,所述提取所述脑电波信号的微分熵特征,包括:
3.根据权利要求2所述的基于脑电立体滤波特征的情绪识别方法,其特征在于,所述将所述脑电波信号的微分熵特征映射到二维平面上进行排列,获得二维脑电特征,包括:
4.根据权利要求1所述的基于脑电立体滤波特征的情绪识别方法,其特征在于,在所述提取所述立体脑电特征中的情绪特征之前,所述方法还包括:
5.根据权利要求1所述的基于脑电立体滤波特征的情绪识别方法,其特征在于,所述基于所述情绪特征,获得情绪分类结果,包括:
6.根据权利要求2所述的基于脑电立体滤波特征的情绪识别方法...
【专利技术属性】
技术研发人员:王丹力,高玄歌,
申请(专利权)人:中国科学院自动化研究所,
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。