【技术实现步骤摘要】
本专利技术属于情感识别领域，涉及一种基于双门切比雪夫连接的脑电情感识别方法。
技术介绍
1、脑电信号(eeg)是记录大脑神经元活动的电信号，通过头皮上的电极采集和记录。它具有高度的时间分辨率，能够捕捉到人类情绪变化的微小差异。因此，脑电信号在情绪识别研究和应用中被广泛使用，旨在通过分析这些信号的特征来判断人的情绪状态，如快乐、悲伤、愤怒、恐惧等。
2、提取脑电信号的特征可以采用不同的方法，其中最常用的是频域分析。频域分析将脑电信号分解为不同频率成分，每个频率成分代表一种脑电节律。脑电节律分为五个子频段：δ(1-4hz)、θ(4-8hz)、α(8-12hz)、β(13-30hz)、γ(31-45hz)。这五个子频段与人类心理活动密切相关，例如，α节律与放松和闭眼有关，β节律与注意力和思维有关，γ节律与认知和记忆有关。因此，通过分析脑电信号的频域特征可以获取人类的情绪信息。除了频域分析外，还有其他方法可提取脑电信号的特征，如时域分析、时频域分析、多电极特征或连通性特征等。时域分析直接利用脑电信号的波形特征，如峰值、均值、方差等。时频域分析结合了时域和频域信息，如短时傅里叶变换、小波变换等。多电极特征或连通性特征考虑了脑电信号在不同电极位置或区域之间的相互关系，如相干性、相位锁定值等。
3、提取了脑电信号的特征后，可建立情绪识别的计算模型对情绪信息进行分类。计算模型可以采用传统的机器学习方法，如支持向量机、决策树、随机森林等，也可以使用现代的深度学习方法，如卷积神经网络、循环神经网络、注意力机制等。选择和优化计
4、图神经网络旨在通过保留图的网络拓扑结构和节点内容信息，将图中顶点表示为低维向量，以便使用简单的机器学习算法(例如，支持向量机分类)进行处理。它可以有效的对脑电信号等图结构数据进行处理，被广泛的应用在脑电信号的情感识别领域。目前的图神经网络主要有图卷积网络(gcn)，图注意力网络(graph attention networks)、图自编码器(graph autoencoders)、图生成网络(graph generative networks)和图时空网络(graph spatial-temporal networks)。
5、图卷积网络在脑电信号的情绪识别领域逐渐成为了一种主要的方法，通过图特征提取器，将非欧结构的数据进行特征提取，使原本对于深度网络无法学习的脑电特征变得可以学习。gcn通过傅里叶变换的方式，将谱域信号转为空域，根据时间顺序分别演化出了spectral gcn,chebyshev gcn和gcn。
6、脑电信号是反映人类情绪变化的生理信号，可通过头皮电极采集记录。为提取有效的情绪特征，常采用图卷积网络(graph convolutional network，gcn)对脑电信号的空间结构和频域特征进行建模。该网络是基于图结构的深度学习模型，可对节点特征和邻接关系进行卷积操作，学习节点的高阶表示。基于图卷积网络的脑电情感识别方法通常包括以下四个步骤：1.诱导和脑电记录同步：选择合适刺激(如图片、视频、音乐)诱发不同情绪状态，并记录被试的脑电信号。视频刺激通常能最有效地触发快速、准确的情绪反应。2.脑电信号预处理：由于脑电信号幅度小(仅10-100μv)，易受到各种噪声干扰(如心电、肌电、眼电等生理信号，以及轻微身体运动、电力线干扰和基线漂移等)，需预处理信号以消除伪迹。常用方法包括滤波、降采样、基线校正、伪迹去除、分段等。3.脑电信号特征提取：将脑电信号转换为图结构，一般基于脑电通道的空间位置和频域特征构建图。将信号分解为不同频率成分后，计算每个频率成分下通道的能量或熵等统计量作为节点特征。随后，根据通道间相关性或同步性构建邻接矩阵作为图的边，常用指标有皮尔逊相关系数、互信息、相干性、相位锁定值等。4.情感识别分类器构建：基于提取的脑电特征建立情感分类器，不同深度网络结构对信号分类精度影响显著。如动态图卷积网络(dgcnn)、宽度图卷积网络(gcb)等基于图卷积网络的变体，可根据脑电信号的时变性和频变性动态调整图结构和特征，提高情感识别性能。
7、基于图卷积网络的脑电情感识别方法有效利用了脑电信号的空间结构和频域特征，能提高情感识别准确率和鲁棒性。然而，仍面临一些挑战，如合适图构建方法的选择、多模态信号异质性和相关性处理等。随着图神经网络的发展，基于图卷积网络的脑电情感识别方法有望取得更好的效果。基于图神经网络(graph neural network,gnn)的识别方法在脑电信号的情感识别中取得了较好的效果。使用图卷积网络(graph convolutionalnetwork,gcn)将原本的图结构数据转化为规则的结构化数据，而后采用深度网络提取更高层次的特征，具有较好的脑电信号特征分类性能。动态图卷积网络(dgcnn)通过借助动态可更新的网络学习脑电通道间的邻接关系，将非欧结构的数据进行特征提取，使深度网络能够实现对脑电信号特征的学习。宽度图卷积网络(gcb-net)创新性的将宽度网络以及宽度的思想与gcn结合，实现了高效快捷的图特征提取，有效的将深度网络与宽度网络的优势进行结合；残差宽度图卷积网络(residual gcb-net)将带有残差模块的图卷积网络借助残差模块，突破了原本在深度网络层数较深时引起的网络退化问题。
8、图卷积网络通常更聚焦于低阶邻居信息，提取的特征往往不具有全局性。脑电的情绪刺激往往会有多个脑功能区域以及多个节点进行响应，现有的图卷积网络难以解决全局的情绪特征提取。图卷积网络通常无法均衡节点数量不同的数据集上的表现，在节点数量不同的数据集上即使使用同一模型准确率往往存在较大的差异。图卷积网络通常无法平衡低阶邻居信息与高阶邻居信息的重要性，不合理的信息输出往往会产生大量的冗余信息和噪声。
9、一种与宽度学习结合的图卷积脑电情绪识别方法(1.t.zhang,x.wang,x.xu andc.l.p.chen,"gcb-net:graph convolutional broad network and its application inemotion recognition,"in ieee transactions on affective computing,vol.13,no.1,pp.379-388,1jan.-march 2022,doi:10.1109/taffc.2019.2937768.)，该技术在深度网络层数提升时识别的精度会显著下降，当层数较低时全局特征无法获得有效的提取。本专利技术使用密集连接网络能够有效的解决网络退化问题，并获得较好的全局特征提取效果。
10、一种使用残差学习的图宽度卷积网络的改进方法(2.q.li,t.zhang,c.l.p.chen,k.yi and l.chen,"residual gcb-net:residual graph convolutional broad networkon emotion recognition,"本文档来自技高网...
【技术保护点】
1.一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：预处理包括将采集到的脑电数据通过MATLAB中的EEGLAB工具，去除伪迹、眼电和心电的干扰，并根据频率分为δ、θ、α、β、γ不同频率的特征。
3.根据权利要求1所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：图结构化的脑电信号信息包括SEED数据集中的数据。
4.根据权利要求1所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：所述图特征提取模块包括类切比雪夫连接模块(CL)和双门控类切比雪夫连接模块(DGC-Link)。
5.根据权利要求4所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：CL模块包括第一子模块和第二子模块，两个子模块分别用于进行不同节点数量的数据集的特征提取。
6.根据权利要求5所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：第一子模块适用于节点数量小于等于32的数据集，第二子模块适用于节点数量大
7.根据权利要求5所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：两个子模块均采用切比雪夫多项式的连接方式，在此基础上引入残差连接，在两阶以上时，将上一阶的邻居信息通过直接连接的方式输入至下一阶，第一子模块在多阶邻居信息聚合阶段采用求和的方式，第二子模块在此阶段直接输出最后一阶邻居信息。
8.根据权利要求5所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：第一子模块表示为：
9.根据权利要求5所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：第二子模块表示为：
10.根据权利要求4所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：DGC-Link在CL模块的基础上引入双门控单元以改进信息的流动方式，第一门控单元包括GRU模型，第二门控单元表示为遗忘门，用于控制最终求和中每一阶邻居信息的重要性，遗忘门的计算公式如下：
...【技术特征摘要】
1.一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：预处理包括将采集到的脑电数据通过matlab中的eeglab工具，去除伪迹、眼电和心电的干扰，并根据频率分为δ、θ、α、β、γ不同频率的特征。
3.根据权利要求1所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：图结构化的脑电信号信息包括seed数据集中的数据。
4.根据权利要求1所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：所述图特征提取模块包括类切比雪夫连接模块(cl)和双门控类切比雪夫连接模块(dgc-link)。
5.根据权利要求4所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在于：cl模块包括第一子模块和第二子模块，两个子模块分别用于进行不同节点数量的数据集的特征提取。
6.根据权利要求5所述的一种基于双门切比雪夫连接的脑电情感识别方法，其特征在...
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。