【技术实现步骤摘要】
本专利技术属于情感识别，具体涉及一种用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法。
技术介绍
1、随着物联网技术和人工智能等各种信息技术的发展，可穿戴设备在生理信号监测方面变得越来越普及。这些可穿戴设备能够捕捉多模态传感数据，在医疗保健和监控领域中有广泛的应用，包括人类活动识别、情感识别等。这些物联网设备通常具有较低的能耗，相较于更复杂和大规模的临床大型设备，更有利于可持续发展。情感识别作为情感计算的基本方面，已经成为一个重要的研究领域。情感识别方法通常可以分为基于语料库的方法和基于生理信号的方法。基于语料库的方法通常利用文本、语音和视频来分析情感并诊断抑郁症等心理健康状况。而基于生理信号的方法通常采用脑电图(eeg)、心电图(ecg)和皮肤电阻(scr)进行情感计算。值得注意的是，心电图信号与个体情感有着很强的相关性，使其成为评估情感状态的宝贵资源。
2、相比于使用更多电极收集12导联信号的临床设备，可穿戴设备通常只收集单导联心电图(ecg)信号，这虽然具有资源消耗低和便携性高的优点，但不可避免地会导致心电图信号质量和信息的下降。因此，提取有效的心电图信号特征成为利用可穿戴设备实现情感识别等应用的关键。近年来，许多人工智能技术已被应用于基于心电图的情感识别。一些方法涉及设计心电图信号在时域或频域的手工特征，然后使用分类模型来识别情感状态。然而，特征提取过程在特征设计和选择方面具有显著的成本，这导致了向深度学习方法的转变。一维卷积神经网络(1d cnn)与长短期记忆(lstm)已经在处理序列数据中体现出来
3、现有的方法通常涉及使用各种处理技术，如去噪和过滤，以提高采集信号的质量。不幸的是，这些技术增加了整体过程的复杂性，并可能导致泛化性能不足。传统的深度学习方法直接作用于单导联心电图信号来提取特征，但所提取的特征受模型结构的限制，难以具有足够的泛化能力。
技术实现思路
1、为了解决上述所存在的技术问题，本专利技术利用信号变换来进一步放大不同类别心电图信号之间的差异，考虑到图表示学习方法在捕捉相互作用实体之间关系方面的优势，本专利技术使用转换信号及其与原始信号的关系以得出更有效的表示是适当的，为此，本专利技术提供了一种用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法。
2、所采用的技术方案如下：
3、一种用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法，所述方法包括如下步骤：
4、测取原始单导联心电信号；
5、对原始单导联心电信号进行信号变换，获得对应的变换信号；
6、将原始信号视为中心节点，将变换信号视为其它节点，构建自信号变换加权图；
7、将自信号变换加权图划分为多个子图，每个子图仅由中心节点和一个其它节点组成；
8、采用局部子图学习方法捕捉变换信号与原始信号之间的关系，提取各子图特征，从每个信号变换中分别学习增强的心电图表示；
9、结合其它节点的初始表示和中心节点表示的原始信号，获得信号增强图；
10、采用堆叠图卷积网络进行特征聚合，获得心电图信号的增强表示；
11、将所得增强表示输入情感分类模型中，得到心电图的情感识别。
12、进一步优选地，对给定的原始单导联心电信号采用的信号变换方式包括如下至少一种：
13、加噪信号变换，从高斯分布生成的高斯随机噪声n(t)被添加到原始信号s(t)中；
14、缩放信号变换，通过引入一个可调比例因子β(β>0)调整原始信号s(t)的幅度；
15、垂直翻转信号变换，将原始信号s(t)沿着x轴(y＝0)进行翻转；
16、水平翻转信号变换，将原始信号s(t)沿着中线x＝l/2进行翻转，l为信号长度；
17、置换信号变换，将原始信号s(t)分割为n个等长的片段，然后打乱片段顺序，将其拼接起来作为置换后的信号；
18、时间扭曲信号变换，将原始信号s(t)分成n段，随机选择其中的一半进行拉伸，其余部分沿时间维度进行压缩。
19、优选地，采用单层图卷积网络提取各变换信号与原始信号之间的关系，并计算中心节点与其它节点之间的余弦相似度，再经计算所有余弦相似度的平均值，得到局部子图学习损失lg。
20、优选地，所述子图特征的提取是采用图卷积运算得到的，其计算公式如下：
21、
22、其中：w和b是可学习的参数矩阵，σ(·)表示激活函数；
23、为由中心节点和其它节点构成的邻接矩阵。
24、优选地，所述的情感分类模型中所采用的损失函数l为交叉熵损失lc与局部子图学习损失lg相结合，其表达式是：
25、
26、其中：参数γ用来控制对两种损失的偏重；
27、yij表示样本i对应于类别j的标签；
28、表示样本i对应于类别j的预测概率；
29、cos(·)表示余弦相似度；
30、x0,xi分别为中心节点与其它节点的表征。
31、进一步地，对信号增强图进行一维卷积层处理，提取节点信息；经信号图学习后依次采用全局最大池化层和批量归一化层处理，得到基于自信号变换加权图的最终增强表示。
32、本专利技术技术方案具有如下优点：
33、a.本专利技术所提供的心电信号图增强表征学习方法，创新性的使用信号变换来增强不同标签信号之间的差异，并引入图学习方法进行表征增强，实现了更为有效的情绪识别结果。与现有的方法相比，本专利技术方法不需要使用繁琐的数据预处理技术如滤波等，能够更有效地实现从原始信号中提取表征用于情绪识别。
34、b.本专利技术通过构建局部子图，从每个信号变换中分别学习增强的心电图表示，从而避免一次性引入过多的信号变换带来过多的信息杂质，使得学习到的表示效果不佳；同时，本专利技术在情感分类模型中引入的损失函数为交叉熵损失lc与局部子图学习损失lg相结合，对两个损失进行平方放大了较大的损失，使它们对总损失的贡献增加，同时也避免了余弦相似度损失为负时对模型的影响。
35、c.本专利技术所提出的方法能够显著提升从可穿戴物联网设备采集的心电信号中提取特征的能力，从而实现更为准确的情绪识别，其方法不仅有助于更精确地分析和理解用户的情绪状态，还能够在日常生活中实现对情绪状态的持续监测。通过这种持续监测，可以及时检测到异常情绪并进行预警，帮助用户及早发现和应对潜在的心理健康问题。因此，本专利技术方法在提高心理健康方面具有极其有益的效果，有望为心理健康领域带来重要的技术突破和应用价值。
本文档来自技高网...【技术保护点】
1.一种用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法，其特征在于，对给定的原始单导联心电信号采用的信号变换包括如下至少一种：
3.根据权利要求1所述的用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法，其特征在于，采用单层图卷积网络提取各变换信号与原始信号之间的关系，并计算中心节点与其它节点之间的余弦相似度，再经计算所有余弦相似度的平均值，得到局部子图学习损失LG。
4.根据权利要求1所述的用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法，其特征在于，所述子图特征的提取是采用图卷积运算得到的，其计算公式如下：
5.根据权利要求1-4任一项所述的用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法，其特征在于，所述的情感分类模型中所采用的损失函数L为交叉熵损失Lc与局部子图学习损失LG相结合，其表达式是：
6.根据权利要求5所述的用于可穿戴物联网设备情绪识别的心电信号图增强表征
...【技术特征摘要】
1.一种用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法，其特征在于，对给定的原始单导联心电信号采用的信号变换包括如下至少一种：
3.根据权利要求1所述的用于可穿戴物联网设备情绪识别的心电信号图增强表征学习方法，其特征在于，采用单层图卷积网络提取各变换信号与原始信号之间的关系，并计算中心节点与其它节点之间的余弦相似度，再经计算所有余弦相似度的平均值，得到局部子图学习损失lg。
4.根据权利要求1所述的用于可穿戴物联...
【专利技术属性】
技术研发人员：王伟，陈健，胡希平，方凯，
申请(专利权)人：深圳北理莫斯科大学，
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。