CN113011493A - 基于多核宽度学习脑电情绪分类方法、装置、介质及设备 - Google Patents

基于多核宽度学习脑电情绪分类方法、装置、介质及设备 Download PDF

Info

Publication number
CN113011493A
CN113011493A CN202110290152.XA CN202110290152A CN113011493A CN 113011493 A CN113011493 A CN 113011493A CN 202110290152 A CN202110290152 A CN 202110290152A CN 113011493 A CN113011493 A CN 113011493A
Authority
CN
China
Prior art keywords
kernel
electroencephalogram
feature
width learning
nodes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110290152.XA
Other languages
English (en)
Other versions
CN113011493B (zh
Inventor
康雪艳
晋建秀
张通
陈俊龙
刘竹琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110290152.XA priority Critical patent/CN113011493B/zh
Publication of CN113011493A publication Critical patent/CN113011493A/zh
Application granted granted Critical
Publication of CN113011493B publication Critical patent/CN113011493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Computing Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于多核宽度学习脑电情绪分类方法、装置、介质及设备；其中方法包括如下步骤：获取被试者的脑电信号，并对脑电信号进行预处理；对预处理的脑电信号采用卷积神经网络进行特征提取，得到一维空间向量V；将一维空间特征V输入到多核宽度学习***中，得到脑电信号的情绪类型。该方法整合了卷积神经网络和多核宽度学习***的优点，多核函数映射可以在组合空间中更准确、更合理地表达脑电信号特征数据，从而提高了分类精度。

Description

基于多核宽度学习脑电情绪分类方法、装置、介质及设备
技术领域
本发明涉及情绪识别技术领域，更具体地说，涉及一种基于多核宽度学习脑电情绪分类模型。
背景技术
情感是一种结合了情感、思想和行为的复杂的状态，是人们对内部或外部刺激的心理生理反应。情感计算有着广泛地应用。根据研究，情绪的产生或活动与大脑皮层的活动密切相关，而脑电能反映大脑的各种电活动和大脑的功能状态，因此可以反映人类情绪状态。现有的情绪识别方法虽然已经取得了很好的效果，但仍有需要改进的地方。如何建立更有效的情绪识别计算模型仍然是情绪识别领域存在的技术难题。
此外。通过脑电信号来识别情绪的确能够减少大量的人为干扰问题，具有重大的研宄意义，但是同时也带来了许多问题。脑电信号具有动态性、非平稳性、噪声干扰大等特点，与其他外部特征相比，脑电信号更加复杂，包含的信息量更大，除了脑电信号之外，还会同时采集到眼电、肌电等其他干扰信号。因此如何从脑电信号中提取易于识别的情绪特征是研究的一个难点。传统机器学习算法已经广泛应用于脑电情绪识别，并且取得的一定的进展。而这类方法的不足之处在于，研究人员必须付出大量努力才能从起源噪声信号中发现和设计各种与情绪相关的特征。
发明内容
为克服现有技术中的缺点与不足，本发明的目的在于提供一种基于多核宽度学习脑电情绪分类方法、装置、介质及设备；本发明整合了卷积神经网络和多核宽度学习***的优点，多核函数映射可以在组合空间中更准确、更合理地表达脑电信号特征数据，从而提高了分类精度。
为了达到上述目的，本发明通过下述技术方案予以实现：一种基于多核宽度学习脑电情绪分类方法，其特征在于：包括如下步骤：
获取被试者的脑电信号，并对脑电信号进行预处理；
对预处理的脑电信号采用卷积神经网络进行特征提取，得到一维空间向量V；
将一维空间特征V输入到多核宽度学习***中，得到脑电信号的情绪类型；多核宽度学习***的运行方法，包括如下分步骤：
S1、将输入的一维空间特征V随机映射到特征节点Z1,Z2,…,Zn，得到映射特征：
Figure BDA0002982109180000021
其中，
Figure BDA0002982109180000022
和
Figure BDA0002982109180000023
是随机生成的；
Figure BDA0002982109180000024
是线性特征映射函数；F(V)＝[F1,F2,…,FM]是所有M个内核函数的近似多核特征；Fl的求法如下：
Figure BDA0002982109180000025
其中fl(vi)是第l组核函数中的一个核函数的傅里叶近似，d维近似表示如下：
Figure BDA0002982109180000026
其中，权重
Figure BDA0002982109180000027
从给定的概率密度p(w)获得，bj,l从给定的均匀分布U[0,2π]中得出；
S2、设定所有的特征节点为Zn＝[Z1Z2…Zn]，将特征节点随机映射到增强节点H1,H2,…,Hm，则增强节点Hj为：
Figure BDA0002982109180000028
其中
Figure BDA0002982109180000029
和
Figure BDA00029821091800000210
是随机生成的，ζ是非线性映射函数；
S3、设定所有的增强节点为Hm＝[H1H2…Hm]；根据所有的特征节点Zn和所有的增强节点Hm，计算多核宽度学习***的输出Y：
Figure BDA0002982109180000031
其中，Wm＝[Zn|Hm]+Y为需要求解的连接权重；其中伪逆[Zn|Hm]+根据岭回归近似算出：
Figure BDA0002982109180000032
I表示单位向量矩阵，λ为超参数；
根据多核宽度学习***的输出Y，得到脑电信号对应的情绪类型。
优选地，所述步骤S1中，fl(vi)是第l组核函数中的一个核函数的傅里叶近似，是指：fl(vi)是第l组核函数中的高斯核函数或拉普拉斯核函数或幂指数核函数的傅里叶近似。
优选地，所述的对脑电信号进行预处理，是指：包括如下分步骤：
A1、将获取到的脑电信号分割成若干个时长相等、无重叠的数据段；
A2、对于每个数据段，分别使用巴特沃斯滤波器将其分解为θ、ɑ、β、γ四个频带，再用窗口提取微分熵特征；对微分熵特征进行归一化；
A3、根据电极分布将微分熵特征向量转换为紧凑的二维矩阵(h×w)；其中h和w是二维矩阵的高度和宽度，分别等于垂直和水平使用的最大电极数；每个数据段均表示为4D结构Sj∈Rh×w×d×4，j＝1,2,...，N，其中N是总样本数，d代表频带数；
预处理后，每个数据段均是具有固定长度的4D EEG数据，表示如下：
Sj＝{fj1,fj2,fj3,fj4}
其中,fjt,t＝1,2,3,4是数据帧。
优选地，所述的对预处理的脑电信号采用卷积神经网络进行特征提取，得到一维空间向量V，是指：将每个4D EEG数据输入到卷积神经网络中，通过卷积神经网络从每段信号中提取频率和空间信息，获得一维空间向量V。
优选地，卷积神经网络的前三个卷积层的卷积内核大小均是4×4，三个卷积层的特征图数量分别为64、128和256；第四卷积层的特征图数量是64，卷积核大小为1×1，用于融合前一个卷积层的特征图；在每个卷积层中使用零填充；卷积神经网络中不使用池化层，激活函数使用ReLu；第四卷积层的输出被展平并输入到512个单元的全连接层。
一种基于多核宽度学习脑电情绪分类装置，其特征在于：包括：
预处理模块，用于获取被试者的脑电信号，并对脑电信号进行预处理；
特征提取模块，用于对预处理的脑电信号采用卷积神经网络进行特征提取，得到一维空间向量V；
情绪分类模块，用于将一维空间特征V输入到多核宽度学习***中，得到脑电信号的情绪类型；
所述多核宽度学习***的运行方法，包括如下分步骤：
S1、将输入的一维空间特征V随机映射到特征节点Z1,Z2,…,Zn，得到映射特征：
Figure BDA0002982109180000041
其中，
Figure BDA0002982109180000042
和
Figure BDA0002982109180000043
是随机生成的；
Figure BDA0002982109180000044
是线性特征映射函数；F(V)＝[F1,F2,…,FM]是所有M个内核函数的近似多核特征；Fl的求法如下：
Figure BDA0002982109180000051
其中f(vi)是第l组核函数中的一个核函数的傅里叶近似，d维近似表示如下：
Figure BDA0002982109180000052
其中，权重
Figure BDA0002982109180000053
从给定的概率密度p(w)获得，bj,l从给定的均匀分布U[0,2π]中得出；
S2、设定所有的特征节点为Zn＝[Z1Z2…Zn]，将特征节点随机映射到增强节点H1,H2,…,Hm，则增强节点Hj为：
Figure BDA0002982109180000054
其中
Figure BDA0002982109180000055
和
Figure BDA0002982109180000056
是随机生成的，ζ是非线性映射函数；
S3、设定所有的增强节点为Hm＝[H1H2…Hm]；根据所有的特征节点Zn和所有的增强节点Hm，计算多核宽度学习***的输出Y：
Figure BDA0002982109180000057
其中，Wm＝[Zn|Hm]+Y为需要求解的连接权重；其中伪逆[Zn|Hm]+根据岭回归近似算出：
Figure BDA0002982109180000058
I表示单位向量矩阵，λ为超参数；
根据多核宽度学习***的输出Y，得到脑电信号对应的情绪类型。
一种存储介质，其特征在于，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述基于多核宽度学习脑电情绪分类方法。
一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现上述基于多核宽度学习脑电情绪分类方法。
与现有技术相比，本发明具有如下优点与有益效果：
1、本发明提出一种将卷积神经网络和多核宽度学习***相结合的方法用于情绪识别，整合了卷积神经网络和多核宽度学习***的优点；利用卷积神经网络在样本空间特征提取上的优势，使脑电信号相邻电极的空间特征最大化地提取；多核宽度学习***使用傅立叶核逼近法使模型具有更强的表示能力；
2、与原始的宽度学习***相比，多核宽度学习***通过非线性多核映射增加了EEG数据信号特征的随机性；经过多核函数映射，可以在组合空间中更准确、更合理地表达脑电信号特征数据，从而提高了分类精度；
3、本发明先对原始脑电信号进行简单预处理，得到4维预处理数据，然后将数据通过卷积神经网络，挖掘脑电信号的空间、频率、时间特征，此方法可提取易于分类的特征。
附图说明
图1是本发明基于多核宽度学习脑电情绪分类方法的流程图；
图2是本发明基于多核宽度学习脑电情绪分类方法与其它现有方法在DEAP数据集的准确率比较结果示意图；
图3是本发明基于多核宽度学习脑电情绪分类方法与其它现有方法在SEED数据集的准确率比较结果示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例一
本实施例一种基于多核宽度学习脑电情绪分类方法，其流程如图1所示，包括如下步骤：
获取被试者的脑电信号，并对脑电信号进行预处理；
对预处理的脑电信号采用卷积神经网络进行特征提取，得到一维空间向量V；
将一维空间特征V输入到多核宽度学习***中，得到脑电信号的情绪类型。
具体地说，对脑电信号进行预处理，是指：包括如下分步骤：
A1、将获取到的脑电信号分割成若干个时长相等(如2s/段)、无重叠的数据段；
A2、对于每个数据段，分别使用巴特沃斯滤波器将其分解为θ、ɑ、β、γ四个频带，再用窗口(如大小为0.5s)提取微分熵(DE)特征；为了获得期望的结果，我们使用Z-score对微分熵特征进行归一化；
A3、为了保持相邻通道之间的空间信息，进一步根据电极分布将微分熵特征向量转换为紧凑的二维矩阵(h×w)；其中h和w是二维矩阵的高度和宽度，分别等于垂直和水平使用的最大电极数；在本专利中，我们设置h＝w＝9，未使用的通道填充为零；因此，每个数据段均表示为4D结构Sj∈Rh×w×d×4，j＝1,2,...，N，其中N是总样本数，d代表频带数，为4；
预处理后，每个数据段均是具有固定长度的4D EEG数据，表示如下：
Sj＝{fj1,fj2,fj3,fj4}
其中,fjt,t＝1,2,3,4是数据帧。
所述的对预处理的脑电信号采用卷积神经网络进行特征提取，得到一维空间向量V，是指：将每个4D EEG数据输入到卷积神经网络(CNN)中，通过卷积神经网络从每段信号中提取频率和空间信息，获得一维空间向量V。
卷积神经网络的前三个卷积层的卷积内核大小均是4×4，三个卷积层的特征图数量分别为64、128和256；第四卷积层的特征图数量是64，卷积核大小为1×1，用于融合前一个卷积层的特征图；为了避免丢失输入数据帧的边缘信息，我们在每个卷积层中使用零填充；为了保留脑电的所有信息，卷积神经网络中不使用池化层，激活函数使用ReLu；第四卷积层的输出被展平并输入到512个单元的全连接层(FC)。要将特征输入到多核宽度学习***中，需要进行深度级联操作将特征图组合成一维空间向量V，因此将每个4D EEG数据都输入CNN，最终将获得一维空间向量V。
多核宽度学习***的运行方法，包括如下分步骤：
S1、将输入的一维空间特征V随机映射到特征节点Z1,Z2,…,Zn，得到映射特征：
Figure BDA0002982109180000081
其中，
Figure BDA0002982109180000082
和
Figure BDA0002982109180000083
是随机生成的；
Figure BDA0002982109180000084
是线性特征映射函数；F(V)＝[F1,F2,…,FM]是所有M个内核函数的近似多核特征；Fl的求法如下：
Figure BDA0002982109180000085
其中fl(vi)是第l组核函数中的一个核函数的傅里叶近似，具体地说，fl(vi)是第l组核函数中的高斯核函数或拉普拉斯核函数或幂指数核函数的傅里叶近似；每个核函数都可以用傅立叶近似，d维近似表示如下：
Figure BDA0002982109180000086
其中，权重
Figure BDA0002982109180000087
从给定的概率密度p(w)获得，bj,l从给定的均匀分布U[0,2π]中得出；
此外，对于核近似除了使用傅里叶近似外，还可使用基于正交随机特征(Orthogonal Random Features,ORF)的核近似算法；
S2、设定所有的特征节点为Zn＝[Z1Z2…Zn]，将特征节点随机映射到增强节点H1,H2,…,Hm，则增强节点Hj为：
Figure BDA0002982109180000091
其中
Figure BDA0002982109180000092
和
Figure BDA0002982109180000093
是随机生成的，ζ是非线性映射函数；
S3、设定所有的增强节点为Hm＝[H1H2…Hm]；根据所有的特征节点Zn和所有的增强节点Hm，计算多核宽度学习***的输出Y：
Figure BDA0002982109180000094
其中，Wm＝[Zn|Hm]+Y为需要求解的连接权重；其中伪逆[Zn|Hm]+根据岭回归近似算出：
Figure BDA0002982109180000095
I表示单位向量矩阵，λ为超参数，实验过程中可以自己设置，本专利中，设置λ＝2-12；
根据多核宽度学习***的输出Y，得到脑电信号对应的情绪类型。
为实现上述基于多核宽度学习脑电情绪分类方法，本实施例提供一种基于多核宽度学习脑电情绪分类装置，其特征在于：包括：
预处理模块，用于获取被试者的脑电信号，并对脑电信号进行预处理；
特征提取模块，用于对预处理的脑电信号采用卷积神经网络进行特征提取，得到一维空间向量V；
情绪分类模块，用于将一维空间特征V输入到多核宽度学习***中，得到脑电信号的情绪类型。
为了验证本发明在脑电信号分类研究中的真实分类性能，进行了实验验证和对比。在DEAP数据集上进行了两个实验。第一个实验是使用本发明基于多核宽度学习脑电情绪分类方法进行情绪分类；第二个实验是将本发明基于多核宽度学习脑电情绪分类方法中的多核宽度学习***替换成传统宽度学习***，之后进行情绪分类。实验结果表明本发明所提出的采用多核宽度学习***的情绪分类方法能将识别准确率提高近1％，这表明了多核函数可以提高脑电信号的识别精度。
将本发明基于多核宽度学习脑电情绪分类方法与其他最新的方法进行了比较，例如SVM，DNN，CNN，3D-CNN，CRNN，4D-CRNN等，DEAP和SEED数据集的比较结果分别显示在图2和图3中。后两种方法(Model-BLS和Model-MKBLS)为本发明方法；从图2和图3中可以看出，本发明方法取得了很好的效果，对于DEAP数据集，唤醒度(arousal)和效价(valence)的准确度分别为97.03％和96.88％。对于SEED数据集准确率达到了96.84。算法的性能明显优于其他五种算法。
实施例二
本实施例一种存储介质，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行实施例一所述的基于多核宽度学习脑电情绪分类方法。
实施例三
本实施例一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例一所述的基于多核宽度学习脑电情绪分类方法。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于多核宽度学习脑电情绪分类方法，其特征在于：包括如下步骤：
获取被试者的脑电信号，并对脑电信号进行预处理；
对预处理的脑电信号采用卷积神经网络进行特征提取，得到一维空间向量V；
将一维空间特征V输入到多核宽度学习***中，得到脑电信号的情绪类型；多核宽度学习***的运行方法，包括如下分步骤：
S1、将输入的一维空间特征V随机映射到特征节点Z1,Z2,…,Zn，得到映射特征：
Figure FDA0002982109170000011
其中，
Figure FDA0002982109170000012
和
Figure FDA0002982109170000013
是随机生成的；
Figure FDA0002982109170000014
是线性特征映射函数；F(V)＝[F1,F2,…,FM]是所有M个内核函数的近似多核特征；Fl的求法如下：
Figure FDA0002982109170000015
其中fl(vi)是第l组核函数中的一个核函数的傅里叶近似，d维近似表示如下：
Figure FDA0002982109170000016
其中，权重
Figure FDA0002982109170000017
从给定的概率密度p(w)获得，bj,l从给定的均匀分布U[0,2π]中得出；
S2、设定所有的特征节点为Zn＝[Z1Z2…Zn]，将特征节点随机映射到增强节点H1,H2,…,Hm，则增强节点Hj为：
Figure FDA0002982109170000018
其中
Figure FDA0002982109170000021
和
Figure FDA0002982109170000022
是随机生成的，ζ是非线性映射函数；
S3、设定所有的增强节点为Hm＝[H1H2…Hm]；根据所有的特征节点Zn和所有的增强节点Hm，计算多核宽度学习***的输出Y：
Figure FDA0002982109170000023
其中，Wm＝[Zn|Hm]+Y为需要求解的连接权重；其中伪逆[Zn|Hm]+根据岭回归近似算出：
Figure FDA0002982109170000024
I表示单位向量矩阵，λ为超参数；
根据多核宽度学习***的输出Y，得到脑电信号对应的情绪类型。
2.根据权利要求1所述的基于多核宽度学习脑电情绪分类方法，其特征在于：所述步骤S1中，fl(vi)是第l组核函数中的一个核函数的傅里叶近似，是指：fl(vi)是第l组核函数中的高斯核函数或拉普拉斯核函数或幂指数核函数的傅里叶近似。
3.根据权利要求1所述的基于多核宽度学习脑电情绪分类方法，其特征在于：所述的对脑电信号进行预处理，是指：包括如下分步骤：
A1、将获取到的脑电信号分割成若干个时长相等、无重叠的数据段；
A2、对于每个数据段，分别使用巴特沃斯滤波器将其分解为θ、ɑ、β、γ四个频带，再用窗口提取微分熵特征；对微分熵特征进行归一化；
A3、根据电极分布将微分熵特征向量转换为紧凑的二维矩阵(h×w)；其中h和w是二维矩阵的高度和宽度，分别等于垂直和水平使用的最大电极数；每个数据段均表示为4D结构Sj∈Rh×w×d×4，j＝1,2,...，N，其中N是总样本数，d代表频带数；
预处理后，每个数据段均是具有固定长度的4D EEG数据，表示如下：
Sj＝{fj1,fj2,fj3,fj4}
其中,fjt,t＝1,2,3,4是数据帧。
4.根据权利要求3所述的基于多核宽度学习脑电情绪分类方法，其特征在于：所述的对预处理的脑电信号采用卷积神经网络进行特征提取，得到一维空间向量V，是指：将每个4DEEG数据输入到卷积神经网络中，通过卷积神经网络从每段信号中提取频率和空间信息，获得一维空间向量V。
5.根据权利要求4所述的基于多核宽度学***并输入到512个单元的全连接层。
6.一种基于多核宽度学习脑电情绪分类装置，其特征在于：包括：
预处理模块，用于获取被试者的脑电信号，并对脑电信号进行预处理；
特征提取模块，用于对预处理的脑电信号采用卷积神经网络进行特征提取，得到一维空间向量V；
情绪分类模块，用于将一维空间特征V输入到多核宽度学习***中，得到脑电信号的情绪类型；
所述多核宽度学习***的运行方法，包括如下分步骤：
S1、将输入的一维空间特征V随机映射到特征节点Z1,Z2,…,Zn，得到映射特征：
Figure FDA0002982109170000041
其中，
Figure FDA0002982109170000042
和
Figure FDA0002982109170000043
是随机生成的；
Figure FDA0002982109170000044
是线性特征映射函数；F(V)＝[F1,F2,…,FM]是所有M个内核函数的近似多核特征；Fl的求法如下：
Figure FDA0002982109170000045
其中fl(vi)是第l组核函数中的一个核函数的傅里叶近似，d维近似表示如下：
Figure FDA0002982109170000046
其中，权重
Figure FDA0002982109170000047
从给定的概率密度p(w)获得，bj,l从给定的均匀分布U[0,2π]中得出；
S2、设定所有的特征节点为Zn＝[Z1Z2…Zn]，将特征节点随机映射到增强节点H1,H2,…,Hm，则增强节点Hj为：
Figure FDA0002982109170000048
其中
Figure FDA0002982109170000049
和
Figure FDA00029821091700000410
是随机生成的，ζ是非线性映射函数；
S3、设定所有的增强节点为Hm＝[H1H2…Hm]；根据所有的特征节点Zn和所有的增强节点Hm，计算多核宽度学习***的输出Y：
Figure FDA00029821091700000411
Figure FDA0002982109170000051
其中，Wm＝[Zn|Hm]+Y为需要求解的连接权重；其中伪逆[Zn|Hm]+根据岭回归近似算出：
Figure FDA0002982109170000052
I表示单位向量矩阵，λ为超参数；
根据多核宽度学习***的输出Y，得到脑电信号对应的情绪类型。
7.一种存储介质，其特征在于，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行权利要求1-5中任一项所述的基于多核宽度学习脑电情绪分类方法。
8.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-5中任一项所述的基于多核宽度学习脑电情绪分类方法。
CN202110290152.XA 2021-03-18 2021-03-18 基于多核宽度学习脑电情绪分类方法、装置、介质及设备 Active CN113011493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110290152.XA CN113011493B (zh) 2021-03-18 2021-03-18 基于多核宽度学习脑电情绪分类方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110290152.XA CN113011493B (zh) 2021-03-18 2021-03-18 基于多核宽度学习脑电情绪分类方法、装置、介质及设备

Publications (2)

Publication Number Publication Date
CN113011493A true CN113011493A (zh) 2021-06-22
CN113011493B CN113011493B (zh) 2023-03-21

Family

ID=76409621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110290152.XA Active CN113011493B (zh) 2021-03-18 2021-03-18 基于多核宽度学习脑电情绪分类方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN113011493B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569924A (zh) * 2021-07-09 2021-10-29 常州大学 一种基于支持向量机多核协作的情绪辨识分类方法
CN113657479A (zh) * 2021-08-12 2021-11-16 广东省人民医院 一种新型多尺度深宽结合的病理图片分类方法、***及介质
CN113855020A (zh) * 2021-09-18 2021-12-31 中国信息通信研究院 用于情绪识别的方法及装置、计算机设备、存储介质
CN114372557A (zh) * 2021-12-27 2022-04-19 华南理工大学 一种通用的深宽网络结合框架的构建方法
CN114818786A (zh) * 2022-04-06 2022-07-29 五邑大学 通道筛选方法、情绪识别方法、***及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520239A (zh) * 2018-04-10 2018-09-11 哈尔滨理工大学 一种脑电信号分类方法及***
CN110946576A (zh) * 2019-12-31 2020-04-03 西安科技大学 一种基于宽度学习的视觉诱发电位识别情绪方法
CN111401443A (zh) * 2020-03-16 2020-07-10 重庆大学 基于多特征提取的宽度学习***
CN111461176A (zh) * 2020-03-09 2020-07-28 华南理工大学 基于归一化互信息的多模态融合方法、装置、介质及设备
CN111931813A (zh) * 2020-07-02 2020-11-13 北京理工大学 一种基于cnn的宽度学习分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520239A (zh) * 2018-04-10 2018-09-11 哈尔滨理工大学 一种脑电信号分类方法及***
CN110946576A (zh) * 2019-12-31 2020-04-03 西安科技大学 一种基于宽度学习的视觉诱发电位识别情绪方法
CN111461176A (zh) * 2020-03-09 2020-07-28 华南理工大学 基于归一化互信息的多模态融合方法、装置、介质及设备
CN111401443A (zh) * 2020-03-16 2020-07-10 重庆大学 基于多特征提取的宽度学习***
CN111931813A (zh) * 2020-07-02 2020-11-13 北京理工大学 一种基于cnn的宽度学习分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FANGYAO SHEN等: "EEG-based emotion recognition using 4D convolutional recurrent neural network", 《COGNITIVE NEURODYNAMICS》 *
XUE-HAN WANG等: "EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks and Broad Learning System", 《2018 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 *
ZHULIN LIU等: "Multi-Kernel Broad Learning systems Based on Random Features:A Novel Expansion for Nonlinear Feature Nodes", 《2019 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN AND CYBERNETICS (SMC)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569924A (zh) * 2021-07-09 2021-10-29 常州大学 一种基于支持向量机多核协作的情绪辨识分类方法
CN113569924B (zh) * 2021-07-09 2024-03-12 常州大学 一种基于支持向量机多核协作的情绪辨识分类方法
CN113657479A (zh) * 2021-08-12 2021-11-16 广东省人民医院 一种新型多尺度深宽结合的病理图片分类方法、***及介质
CN113855020A (zh) * 2021-09-18 2021-12-31 中国信息通信研究院 用于情绪识别的方法及装置、计算机设备、存储介质
CN114372557A (zh) * 2021-12-27 2022-04-19 华南理工大学 一种通用的深宽网络结合框架的构建方法
CN114818786A (zh) * 2022-04-06 2022-07-29 五邑大学 通道筛选方法、情绪识别方法、***及存储介质
CN114818786B (zh) * 2022-04-06 2024-03-01 五邑大学 通道筛选方法、情绪识别方法、***及存储介质

Also Published As

Publication number Publication date
CN113011493B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN113011493B (zh) 基于多核宽度学习脑电情绪分类方法、装置、介质及设备
CN111012336B (zh) 时空特征融合的并行卷积网络运动想象脑电图分类方法
Li et al. Classification of ECG signals based on 1D convolution neural network
Sadiq et al. Toward the development of versatile brain–computer interfaces
CN109165556B (zh) 一种基于grnn身份识别方法
Triastcyn et al. Generating artificial data for private deep learning
CN112101152A (zh) 一种脑电情感识别方法、***、计算机设备、可穿戴设备
Taqi et al. Classification and discrimination of focal and non-focal EEG signals based on deep neural network
CN112528819B (zh) 基于卷积神经网络的p300脑电信号分类方法
CN117503057B (zh) 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质
WO2022183966A1 (zh) 脑电信号分类方法、装置、设备、存储介质及程序产品
Mu et al. Comparison of different entropies as features for person authentication based on EEG signals
CN112990008B (zh) 基于三维特征图和卷积神经网络的情绪识别方法及***
Li et al. Spatial–temporal discriminative restricted Boltzmann machine for event-related potential detection and analysis
El‐Saadawy et al. Hybrid hierarchical method for electrocardiogram heartbeat classification
Jinliang et al. EEG emotion recognition based on granger causality and capsnet neural network
Cai et al. EEG-based emotion recognition using multiple kernel learning
Miah et al. Movie oriented positive negative emotion classification from eeg signal using wavelet transformation and machine learning approaches
Li et al. A novel motor imagery EEG recognition method based on deep learning
Wilson et al. Deep riemannian networks for eeg decoding
El-Saadawy et al. Electrocardiogram (ECG) classification based on dynamic beats segmentation
CN116919422A (zh) 基于图卷积的多特征情感脑电识别模型建立方法及装置
CN114224354B (zh) 心律失常分类方法、装置及可读存储介质
Moreno-Revelo et al. Comparison among physiological signals for biometric identification
CN115631371A (zh) 一种脑电信号核心网络的提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant