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】
本专利技术涉及信号处理领域,具体地说是一种针对脑电情绪识别的全局到局部特征聚合的深度网络方法。
技术介绍
1、情绪识别技术是脑机接口(brain computer interface,bci)研究领域非常重要的一项技术。有学者指出情绪变化会引发脑电信号和自主神经系统活动以及面部肌肉运动等生理变化,这些生理信号使情绪识别变得更客观可靠。生理信号中,脑电信号(eeg)反映了大脑的活动,其表现为不同频率、振幅和形状的波,可以准确、实时的反应出情绪状态的波动。eeg能够表征不同的情绪状态,具有不易伪装的优点。通过收集被试的脑电信号,对其进行预处理、特征提取、学习和分类,可以更直观准确地分析人类情绪变化。
2、在情绪识别领域的研究中,如何提高情绪分类的准确率,寻找一种新颖便捷的模型是一项非常具有挑战性的任务。在基于生理信号的情绪识别任务中,eeg的特征提取和分类器设计是影响情绪识别准确率的关键因素。在特征提取过程中,eeg信号作为多通道的时间信号,可以从时域、频域、时频域和空间域等方面进行特征提取。在情绪识别分类过程中,所提取的特征被输入到朴素贝叶斯(naive bayes,nb)、支持向量机(support vectormachine,svm)等分类器中进行情绪识别。近年来,随着人工智能领域的不断发展,深度学习方法逐渐在各领域内火热起来。深度学习方法通过卷积神经网络(convolutional neuralnetworks,cnn)、长短期记忆网络(long short-term memory,lstm)等模型自动学习eeg
技术实现思路
1、本专利技术的目的是提供一种针对脑电情绪识别的全局到局部特征聚合的深度网络方法,以解决现有的特征提取方法在探索电极空间位置关系或相关通道影响方面产生无法全面地提取脑电信号的深层特征以获得更好的识别效果的问题。
2、本专利技术是这样实现的:
3、本专利技术首先将脑电信号(在实施例中采用了样本数据集中的脑电信号)分割成多个脑电信号片段,然后将这些脑电信号片段通过巴特沃斯滤波器滤波并提取其微分熵特征。其次,根据各个电极之间的位置关系构建无向图结构,其中无向图中的节点特征用脑电信号的微分熵特征来表示。最后,将无向图的节点特征和连接边信息输入到本专利技术所构造的针对脑电情绪识别的全局到局部特征聚合的深度网络模型中,该深度网络模型包括三个部分:全局学习器、局部学习器和分类器。无向图结构作为网络输入首先输入到全局学习器,然后通过多个图卷积块提取脑电信号的空间全局特征,再将多个空间全局特征进行融合输入到局部学习器中以提取脑电信号的高层次局部特征用于情绪识别分类。最后,特征向量通过分类器将其映射到相应的标签。
4、上述输入的无向图结构是将脑电信号构建成无向图数据。通过获得无向图中每个节点之间的连接关系和权重,从而与图的顶点一起形成无向图。所形成的无向图不含有孤立的点,并且每个节点都含有自环。
5、所述全局学习器主要通过多个图卷积块对输入的无向图进行全局特征提取。全局学习器包含六个图卷积块,全局学习器将各个图卷积块进行级联获得最终输出全局特征。其中每个图卷积块均由图卷积层、批归一化(batch normalization,bn)层和leaky-relu激活函数组成。
6、所述局部学习器包含三个卷积块,三个卷积块进行串联连接,每个卷积块包括卷积层、批归一化层、leaky-relu激活函数和dropout层。
7、所述的分类器由全连接层和softmax函数组成。首先经过三个全连接层将特征表示映射到样本标记空间。其次,为了增强模型的辨别能力,本专利技术将softmax函数加入到网络模型中对输入进行预测。具体来说,是将从局部学习器输出的特征向量排列成一个向量,然后用简单的线性变换方法预测类标签。
8、本专利技术的技术效果如下:
9、(1)本专利技术所设计的针对脑电情绪识别的全局到局部特征聚合网络可以在全局学习器中获取eeg信号不同感受野的判别信息,通过无向图上的连接边捕获大脑的连通性全局特征,还克服了图卷积网络只能提取信号的全局特征缺点,利用由卷积块构成的局部学习器来有效地提取脑电信号每个通道的深层局部特征。
10、(2)本专利技术采用了一种有效的拓扑图构造方法,将实际的脑电电极位置映射到空间坐标系中,建立了脑电电极节点之间的相对拓扑关系模型,形成脑电数据的无向图结构,能够有效地获得脑电信号的拓扑特征。
11、(3)本专利技术方法利用深度学习模型来自动学习脑电信号中的特征,能够同时学习脑电信号的全局与局部特征,从而提高情绪的分类准确率。
本文档来自技高网...【技术保护点】
1.一种针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,包括如下步骤:
2.根据权利要求1所述的针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,步骤a中,通过巴特沃斯带通滤波器将每个脑电信号片段分解成F个频带,提取每个频带的脑电信号xi的微分熵特征,即:
3.根据权利要求2所述的针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,频带数F为5。
4.根据权利要求1所述的针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,无向图中,每个顶点所代表的通道位置转化为坐标的表示形式,(xi,yi,zi)表示为第i个通道的位置坐标,通过获得无向图中每个节点之间的连接关系和权重,从而与图的顶点一起形成无向图;所形成的无向图不含有孤立的点,并且每个节点都含有自环。
5.根据权利要求1所述的针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,每个图卷积块的输出通过下式进行计算:
6.根据权利要求5所述的针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,图卷积操作中的滤
7.根据权利要求5所述的针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,局部学习器中每个卷积块用CVk表示,k=1,2,3,每个卷积块的输出用表示;在局部学习器中三个卷积块串联连接,则其输出OLL可通过下式进行计算:
8.根据权利要求1所述的针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,softmax函数将输出值保持在[0,1]的概率分布范围内,其定义为:
...【技术特征摘要】
1.一种针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,包括如下步骤:
2.根据权利要求1所述的针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,步骤a中,通过巴特沃斯带通滤波器将每个脑电信号片段分解成f个频带,提取每个频带的脑电信号xi的微分熵特征,即:
3.根据权利要求2所述的针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,频带数f为5。
4.根据权利要求1所述的针对脑电情绪识别的全局到局部特征聚合的深度网络方法,其特征是,无向图中,每个顶点所代表的通道位置转化为坐标的表示形式,(xi,yi,zi)表示为第i个通道的位置坐标,通过获得无向图中每个节点之间的连接关系和权重,从而与图的顶点一起形成无向图;所形成的无向图不含有孤立的点,并...
【专利技术属性】
技术研发人员:刘帅奇,赵莹莹,梁蓓蓓,王泽瑶,王鑫瑞,赵杰,赵淑欢,
申请(专利权)人:河北大学,
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。