[發明專利]一種基于LightGBM模型的EEG信號情緒識別方法

在審

• 申請號: 202010370752.2
• 申請日: 2020-04-30
• 公開（公告）號: CN111528866A
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 王曉岸;盧樹強;馬鵬程
• 申請（專利權）人: 北京腦陸科技有限公司
• 主分類號: A61B5/16
• 分類號: A61B5/16;A61B5/0476
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于LightGBM模型的EEG信號情緒識別方法，其特征在于：包括EEG信號的預處理、變換、分析、分類和判斷的步驟，所述EEG信號的預處理、變換、分析、分類和判斷的步驟為：

第一步：通過特制的EEG信號處理模塊對EEG信號進行預處理和變換，得到可用的原始腦電信號和信號得功率譜密度特征；

第二步：特制的LightGBM模型模塊進行腦電信號功率譜密度特征分析，并將分析結果進行數據分類；

第三步：情緒分類模塊對分類后信號數據進行情緒判斷，實現對EEG信號表示的愉快、輕松、恐懼和沮喪四種情緒的判別。

2.根據權利要求1所述的基于LightGBM模型的EEG信號情緒識別方法，其特征在于所述第一步特制的EEG信號處理模塊對EEG信號進行預處理和變換的流程為：

第一步：去除EEG信號噪聲和偽跡，得到可用的原始腦電信號；

第二步：對可用的原始腦電信號進行FFT變換，得到信號對應的delta、theta、alpha、beta和gama的功率譜密度特征。

3.根據權利要求1所述的基于LightGBM模型的EEG信號情緒識別方法，其特征在于所述第二步特制的LightGBM模型模塊對可用的原始腦電信號和其功率譜密度特征進行分析和分類的流程為：

第一步：應用LightGBM模型，對可用的原始腦電信號進行模型分析，把功率譜密度特征的直方圖按均值排序，并按均值排序結果得出最優分割點；

第二步：按均值排序的數據結果和最優分割點進行分類。

4.根據權利要求1所述的基于遞歸神經網絡的人工智能音樂創作系統，其特征在于所述第三步中情緒分類模塊對分類后信號數據進行情緒判斷的流程為：

第一步：把分類后的數據結果按情緒信號的所屬特征進行愉快、輕松、恐懼和沮喪的情緒歸類；

第二步：依據情緒歸類輸出EEG信號所表示的情緒判別結果。