[發明專利]一種基于深度學習的腦電圖情感分類方法

有效

• 申請號: 202010125423.1
• 申請日: 2020-02-27
• 公開（公告）號: CN111368686B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 錢步月;胡師堯;劉璇;李安;李曉宇;呂欣;李曉亮
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 孟大帥

1.一種基于深度學習的腦電圖情感分類方法，其特征在于，包括以下步驟：

步驟1，對采集的腦電圖數據的所有通道進行篩選，將篩選后剩余的所有通道的長度截短為其中最短的長度，獲得處理后的腦電圖數據；將處理后的腦電圖數據進行分割，獲得若干預設時間長度的片段；對獲得的片段使用快速傅里葉變換計算得到腦電圖數據的功率譜密度數據；

步驟2，構建用于特征提取的基于自編碼器的多層模型，并用預先標注的訓練集和測試集分別進行訓練和測試，獲得訓練好的多層模型；

其中，所述基于自編碼器的多層模型包括：

輸入層，用于輸入步驟1獲得的腦電圖數據的功率譜密度數據；其中，腦電圖數據的功率譜密度數據為n維，輸入層節點數為n；

隱含層，隱含層有p個節點；輸入層各個節點與隱含層所有節點進行全連接，輸入層和隱含層間有n*p個連接邊，每個邊擁有權值w，輸入層與隱含層間的所有權值表示為n*p的邊權值矩陣W⁽¹⁾；隱含層的各節點的隱含值h由輸入層數據向量x、邊權值矩陣W⁽¹⁾、偏置向量b⁽¹⁾得到，計算公式為：

h＝f(x·W⁽¹⁾+b⁽¹⁾)，

其中，x表示輸入層的輸入數據，輸入層有n個節點，x為n維向量；b⁽¹⁾為神經網絡節點的偏置向量，每一個隱含層節點獨立擁有一個偏置值，隱含層共p個節點，b⁽¹⁾為p維向量；W⁽¹⁾為n*p的邊權值矩陣；f(·)是隱含層節點的激活函數，使用sigmoid函數；得到的特征h為p維向量；

池化層，池化層節點數為m；帶有相似權值w的隱含層節點學習到了相似的頻率特征，使用聚類算法k-means將所有隱含層節點進行聚類，共得到m個簇，每個簇對應一個池化層的節點；池化層的節點對簇內所有隱含層節點的隱含值h求平均值，記為u，將池化層得到的m維向量u作為模型提取出的特征向量；

其中，記n_c為第c個簇內隱含節點的數量，記h_i^(c)為第c個簇內第i個隱含節點，記u_c為第c個簇所對應的池化層節點，表達式為：

步驟3，根據步驟2提取獲得的特征向量，通過分類器對腦電圖數據進行分類；其中，對于每個待分類的腦電圖數據，在模型存儲的訓練數據中尋找與待分類的腦電圖數據的特征向量u'歐幾里得距離最小的k個特征向量u，將k個特征向量對應的分類標簽y中出現次數最多的作為待分類的腦電圖數據的分類結果

步驟2具體包括以下步驟：

步驟2.1，將腦電圖數據中不同分類標簽的數據組合成多個小組，每小組的數據包含各類標簽數據；按照預設比例將小組分為訓練集和測試集；

步驟2.2，訓練自編碼器模型，包含輸入層、隱含層和輸出層；隱含層與輸入層的關系表示為：h＝f(x·W⁽¹⁾+b⁽¹⁾)；輸出層與隱含層之間的關系表示為：

其中，h為隱含層的各節點的隱含值，W⁽¹⁾是輸入層與隱含層之間各邊的權重矩陣，W⁽²⁾是隱含層與輸出層之間各邊的權重矩陣，b⁽¹⁾是隱含層節點的偏置向量，b⁽²⁾是輸出層節點的偏置向量，f(·)是隱含層節點的激活函數，g(·)是輸出層節點的激活函數；

按照預設比例將步驟2.1獲得的訓練集分為驗證集和實際訓練數據；訓練時，使用反向傳播和梯度下降算法，并使用均方誤差來計算重構誤差，保留在驗證集取得最小重構誤差的模型權重；

步驟2.3，刪去自編碼器模型的輸出層，使用聚類算法k-means將所有隱含層節點根據其權重向量w間的相似度進行聚類，權重向量w為該節點與所有輸入層節點相連的n條邊的權值組成的n維向量；相似度采用歐幾里得距離進行計算；訓練時對k-means的聚類個數參數m選取1～10分別進行計算，得到不同的聚類結果；

步驟2.4，對于步驟2.3獲得的每一個聚類結果，將屬于同一簇的隱含層節點進行平均池化，m個簇的池化節點的輸出值為模型提取出的特征向量；將步驟2.1獲得的訓練集數據使用構建完成的模型計算出對應的訓練集特征向量集合并存儲。