[發明專利]一種基于腦電信號的情緒分類方法、裝置和存儲介質

在審

• 申請號: 201811317862.1
• 申請日: 2018-11-07
• 公開（公告）號: CN109634405A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 張澤麟;徐金玉;岳田;高旭;段夢冉;柯兵;程福求
• 申請（專利權）人: 湖北汽車工業學院
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06K9/00
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 楊立;徐蘇明

1.一種基于腦電信號的情緒分類方法，其特征在于，所述方法包括：

步驟1，獲取腦電信號序列數據；

步驟2，根據具有標定的超參數范圍的人工智能分類器，按照十折交叉驗證要求，選擇所述腦電信號序列數據中的一部分作為訓練集組，另一部分作為驗證集組；

步驟3，將所述訓練集組和所述驗證集組中的元素映射為復雜網絡，并確定網絡特征統計指標；

步驟4，根據所述訓練集組和所述驗證集組對應的所述網絡特征統計指標生成多通道腦電地形圖分別作為訓練數據和驗證數據；

步驟5，遍歷所有超參數，分別采用所述訓練數據和所述驗證數據對所述人工智能分類器進行訓練和驗證，并基于十折交叉驗證法確定具有最優模型的人工智能分類器；

步驟6，選擇所述具有最優模型的人工智能分類器，基于腦電信號進行情緒分類。

2.根據權利要求1所述的基于腦電信號的情緒分類方法，其特征在于，所述步驟1的具體實現包括：獲取具有標簽的腦電信號序列數據，并對所述腦電信號序列數據進行帶通濾波處理。

3.根據權利要求1所述的基于腦電信號的情緒分類方法，其特征在于，所述步驟3包括：

步驟3.1，基于多尺度熵的時間窗寬估計方法對所述訓練集組的元素進行分割，并取時間窗寬的中位數作為統一的時間窗寬；

步驟3.2，確定所述訓練集組中所有序列片段的數字特征和分位數矩陣，基于所述數字特征和所述分位數矩陣構建粗粒節點序列；

步驟3.3，針對所述粗粒節點序列，基于概率轉移方法連邊并加權構建復雜網絡，并使用相同參數，將所述驗證集組也映射成復雜網絡。

4.根據權利要求3所述的基于腦電信號的情緒分類方法，其特征在于，所述網絡特征統計指標包括：節點數量、邊數、圖密度、平均出度、出度標準差、節點出度的交叉熵、平均加權出度、加權出度標準差、加權出度的交叉熵、平均介數、介數標準差、介數交叉熵、平均聚類系數、聚類系數標準差和聚類系數交叉熵。

5.根據權利要求1至4任一項所述的基于腦電信號的情緒分類方法，其特征在于，所述確定具有最優模型的人工智能分類器的具體實現包括：遍歷所有所述訓練數據和對應的所述驗證數據，計算平均正確率，將最高平均正確率對應的模型作為人工智能分類器的最優模型。

6.一種基于腦電信號的情緒分類裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取腦電信號序列數據；

第一處理模塊，用于根據具有標定的超參數范圍的人工智能分類器，按照十折交叉驗證要求，選擇所述腦電信號序列數據中的一部分作為訓練集組，另一部分作為驗證集組；

第二處理模塊，用于將所述訓練集組和所述驗證集組中的元素映射為復雜網絡，并確定網絡特征統計指標；

第三處理模塊，用于根據所述訓練集組和所述驗證集組對應的所述網絡特征統計指標生成多通道腦電地形圖分別作為訓練數據和驗證數據；

第四處理模塊，用于遍歷所有超參數，分別采用所述訓練數據和所述驗證數據對所述人工智能分類器進行訓練和驗證，并基于十折交叉驗證法確定具有最優模型的人工智能分類器；

分類模塊，用于選擇所述具有最優模型的人工智能分類器，基于腦電信號進行情緒分類。

7.根據權利要求6所述的基于腦電信號的情緒分類裝置，其特征在于，所述獲取模塊具體用于：獲取具有標簽的腦電信號序列數據，并對所述腦電信號序列數據進行帶通濾波處理。

8.根據權利要求7所述的基于腦電信號的情緒分類裝置，其特征在于，所述第二處理模塊具體用于：

基于多尺度熵的時間窗寬估計方法對所述訓練集組的元素進行分割，并取時間窗寬的中位數作為統一的時間窗寬；

確定所述訓練集組中所有序列片段的數字特征和分位數矩陣，基于所述數字特征和所述分位數矩陣構建粗粒節點序列；

針對所述粗粒節點序列，基于概率轉移方法連邊并加權構建復雜網絡，并使用相同參數，將所述驗證集組也映射成復雜網絡。