一种脑电信号情感分类的轻量化方法技术

本发明专利技术公开了一种脑电信号情感分类的轻量化方法，包括以下步骤：输入脑电数据，进行数据预处理，根据生理实验的知识，筛选出前额区与情感识别关联度最高的七个导联，实现数据的轻量化；输入轻量化后的脑电数据，建立卷积神经网络模型，分别使用不同大小的卷积核提取空域以及时域特征；将提取出的特征输入自注意力机制模块，并建立预测模块，生成令牌丢弃以及保留的概率，最后根据轻量化的需求设定剪枝比，并以此对于网络进行稀疏化处理；自注意力机制模块、预测模块以及稀疏化模块交替重复多次，建立轻量化网络，本发明专利技术对采用令牌剪枝对于模型进行有效压缩，在丢弃脑电信号中信息含量低的冗余令牌的同时动态跳过冗余通道。

【技术实现步骤摘要】

本专利技术涉及深度学习领域，尤其涉及一种脑电信号情感分类的轻量化方法。

技术介绍

1、情感计算是一种通过计算机和人工智能技术来理解和分析人类情感和情绪的过程，它的目的在于识别、量化和理解人类的情感状态，从而使计算机系统能够更好地与人类进行情感交互和沟通。随着近年来脑电采集技术、脑电信号处理技术和机器学习的飞速发展，基于脑电的情绪识别研究已经成为一个重要的多学科交叉研究课题，并越来越受到关注。相比于传统的语音语调识别，肌肉运动等，多通道的脑电信号可以更好地反映大脑内部神经元最本质的活动，保证情绪采集的可靠性。并且能够提供情感的时序性特征和空间信息。获取脑电信息对被试者没有伤害。在多通道情感计算中，为了追求更准确的情感分类，会追求采集大量的计算数据，然而计算所有脑电通道之间的关系会引入过量计算，导致过多的计算资源浪费。

2、深度学习是一种基于人工神经网络的机器学习方法，通过模拟人脑处理信息的方式，能够从大量数据中自动学习特征和模式，用于图像识别、语音处理、自然语言处理等多种复杂任务。如今研究者使用深度学习的方法，如conformer，这些新模型引入本文档来自技高网...

【技术保护点】

1.一种脑电信号情感分类的轻量化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种脑电信号情感分类的轻量化方法，其特征在于，步骤S1中，根据生理实验的知识，选择前额区与情感识别关联度最高的七个导联，将轻量化后的数据集切割为训练集和测试集，其中训练集用于自注意力机制模块的轻量，测试集则用来模型效果的评估。

3.根据权利要求1所述的一种脑电信号情感分类的轻量化方法，其特征在于，步骤S2中，所述卷积神经网络模型包括两种大小的卷积核，首先使用大小为(ch,1)卷积核的提取空间特征，其中ch指的是筛选后的导联通道数；然后使用大小为(1,75)的卷积核提取时间特征...

【技术特征摘要】

1.一种脑电信号情感分类的轻量化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种脑电信号情感分类的轻量化方法，其特征在于，步骤s1中，根据生理实验的知识，选择前额区与情感识别关联度最高的七个导联，将轻量化后的数据集切割为训练集和测试集，其中训练集用于自注意力机制模块的轻量，测试集则用来模型效果的评估。

3.根据权利要求1所述的一种脑电信号情感分类的轻量化方法，其特征在于，步骤s2中，所述卷积神经网络模型包括两种大小的卷积核，首先使用大小为(ch,1)卷积核的提取空间特征，其中ch指的是筛选后的导联通道数；然后使用大小为(1,75)的卷积核提取时间特征得到向量接着使用一层池化层得到输出向量最后使用重排操作对于向量进行维度转换得到输出向量所述卷积神经网络模型输入向量的维度是此处我们对用单个样本进行讨论，1是卷积通道数，ch是导联数量，t是时间采样点，c是经过卷积层之后的特征数，c是经过池化操作后的特征数。

4.根据权利要求1所述的一种脑电信号情感分类的轻量化方法，其特征在于，每个编码器模块包括一个多层自注意力机制和一个多层感知机模块；

5.根据权利要求1所述的一种脑电信号情感分类的轻量化方法...

【专利技术属性】
技术研发人员：郭锴凌，卢彦睿，刘俊乐，闫华超，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：