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】
本专利技术涉及基于脑电图的识别,具体涉及一种基于深度学习的脑电图的人类情绪分类方法。
技术介绍
1、情绪在人类的理性决策、感知、学习和多种功能中发挥着重要作用,情绪分析识别是为了更好的理解人类识别、解释和模拟情绪状态的方式背后的心理生理现象。自上个世纪以来,自动情感识别一直是人们研究的热点。人们已经从面部图片、手势、语言、生理信号等各种形式上对情感识别进行了研究。由于生理信号源于自主神经系统,不能被人类有意识或无意识的控制触发,从而使人类无法隐藏其真实情感。所以近二十年来,基于生理信号的情感识别技术得到了迅速发展,基于脑电图的情感识别研究更是经历了一个指数级别的增长。许多学者也基于机器学习建立了情感分类模型并取得了很好的效果。神经网络和深度学习也逐渐应用到了脑电情绪分类识别中,其中长短时记忆网络可以应用到脑电特征提取中,以便考虑情绪随时间的变化,卷积层也可以用于提取和时间相关的上下文特征。与基于其他信息的情绪识别相比,基于脑电信息的情绪识别更能反映被试的真实情绪;而与传统机器学习方法相比,深度学习在特征的提取、学习能力上具有显著的优势。
技术实现思路
1、本专利技术提供了一种基于深度学习的脑电图的人类情绪分类方法,基于脑电图和深度学习方法,以实现对目标对象的情绪的准确识别。
2、本专利技术采用的技术方案为:
3、基于深度学习的脑电图的人类情绪分类方法,所述方法包括:
4、步骤一、获取训练样本:
5、采集应试者的原始脑电信号(eeg信号
6、基于采用的大脑分区模板,得到各脑区位置,并将采集原始脑电信号的各电极位置与脑区位置进行对应;
7、确定与情绪相关的脑区,基于电极位置与脑区位置的对应关系,确定与情绪相关的脑电通道;
8、提取与情绪相关的脑电通道的脑电信号,并按照指定时长对提取的各通道的脑电信号进行分段,并将同一时序的与情绪相关的脑电通道的信号分段作为一个样本信号,其中,指定时长的长度与记录应试者的情绪状态一致,基于对应时序的情绪状态的情绪类别标签,得到每个信号样本的分类标签,基于一个信号样本及其分类标签得到一个训练样本;
9、步骤二、构建并训练卷积双向循环注意力模型;
10、所述卷积双向循环注意力模型依次包括:卷积层1、卷积层2、池化层、双向门控循环bi-gru网络层、自注意力层和全连接层;其中,每一层卷积层的卷积核大小相同,池化层采用最大池化方式,通过bi-gru网络层对池化层输出的特征图的前向和后向信息进行汇总,再对来自两个方向的信息近合并得到bi-gru网络层最终的输出特征图并输入至自注意力层,通过自注意力层通过查询值和键值之间的相似度确定不同脑电通道的权重信息,并对线性变换后的输入特征图进行加权求和得到自注意力层的输出特征并输入至全连接层,全连接层采用softmax作为激活,对情绪进行分类输出;即用于输出各类(例如二分类情绪:正面和负面)情绪的概率,情绪预测结果即为最该概率所对应的类别;
11、基于步骤一获取的训练样本,对所构建的卷积双向循环注意力模型进行网络参数训练,当满足预置的训练结束条件(训练次数达到设置的最大训练次数,或者模型的损失值满足指定条件)时停止,得到训练好的卷积双向循环注意力模型,并作为人类情绪分类器;
12、步骤三,基于人类情绪分类器获取目标对象的情绪分类结果:
13、采集目标对象的原始脑电信号,并进行信号预处理,以去除伪迹数据,且采集时的电极位置与步骤一相同;
14、基于步骤一所确定的与情绪相关的脑电通道,提取指定脑电通道的指定时长的脑电信号,并将其输入人类情绪分类器中,基于其输出确定目标对象的情绪分类结果。
15、本专利技术提供的技术方案至少带来如下有益效果:
16、在本专利技术中,可以较为准确的分别在效价维度和唤醒维度对人类情绪进行二分类。且由于基于脑电信息这种生理信号来实现对人类情绪的分类,因此在很大程度上可以避免被试对其真实情感进行隐藏或者伪装。同时采用卷积神经网络、循环神经网络可以更加有效的综合脑电信息中的时空信息。
本文档来自技高网...【技术保护点】
1.基于脑电图的人类情绪分类方法,其特征在于,包括下列步骤:
2.如权利要求1所述的基于脑电图的人类情绪分类方法,其特征在于,步骤一中,与情绪相关的脑区包括:岛盖部额下回、海马旁回、补充运动区、颞中回、楔叶、枕中回、小脑、杏仁核、脑岛、颞极-颞上回和额中回。
3.如权利要求1或2所述的基于脑电图的人类情绪分类方法,其特征在于,步骤二中,卷积层的卷积核大小设置为3×3,池化层的池化核大小设置为2×2。
4.如权利要求1所述的基于脑电图的人类情绪分类方法,其特征在于,步骤二中,采用缩放点积的方式计算查询值和键值之间的相似度。
【技术特征摘要】
1.基于脑电图的人类情绪分类方法,其特征在于,包括下列步骤:
2.如权利要求1所述的基于脑电图的人类情绪分类方法,其特征在于,步骤一中,与情绪相关的脑区包括:岛盖部额下回、海马旁回、补充运动区、颞中回、楔叶、枕中回、小脑、杏仁核、脑岛、颞极-颞上回和额中回。
【专利技术属性】
技术研发人员:邢建川,张栋,陈洋,周春文,曾凤,付鱼,
申请(专利权)人:电子科技大学,
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。