[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

本發明公開了一種基于LightGBM模型的EEG信號情緒識別方法。本方法包括了特制的EEG信號處理模塊、特制的LightGBM模型模塊和情緒分類模塊三部分。本系統的工作原理為：(1)特制的EEG信號處理模塊對EEG信號進行數據預處理和FFT變換得到數據的功率譜密度特征；(2)特制的LightGBM模型模塊對數據的功率譜密度特征進行分析和分類；(3)情緒分類模塊依據分類后的數據識別出EEG信號表示出的輕松、愉快、恐懼和沮喪四種情緒。本發明實現了基于LightGBM模型來判別EEG信號表示出的情緒，降低了EEG信號情緒識別對數據質量的要求和計算分析成本。

技術領域

本發明屬于EEG信號處理領域，具體涉及一種基于LightGBM模型的EEG信號情緒識別方法。

背景技術

隨著深度學習技術在腦電信號識別中的良好表現，越來越多的算法不斷被研究和應用。如用卷積神經網絡模型進行EEG信號的分類任務，通過深度學習模型進行基于EEG信號的情緒識別和睡眠分期檢測。

存在的問題是，這類模型算法對數據集的規模和質量有比較高的要求，同時對計算資源要求也比較高。

為此，我們設計了一種基于LightGBM模型的EEG信號情緒識別方法，相對于其他類機器學習算法能夠較好的實現情緒類型檢測和判別，降低了EEG信號情緒識別對數據質量和計算資源的要求。

發明內容

本發明的目的在于提供一種基于LightGBM模型的EEG信號情緒識別方法，以解決目前EEG信號情緒識別計算資源成本高且對EEG信號數據質量要求高的問題。通過構造LightGBM模型進行數據分析和特征分類，能夠規避人工腦電信號提取和設計的不一致性，模型設計和分析上相對簡潔，可更好地實現情緒類型檢測。

為了實現上述目的，本發明提供如下技術方案：一種基于LightGBM模型的EEG信號情緒識別方法。本方法包括一套EEG信號的預處理、變換、分析、分類和判斷的步驟，此步驟應用了特制的EEG信號處理模塊、特制的LightGBM模型模塊以及情緒分類模塊三個部分。本方法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。

優選的：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。

優選的：所述所述第二步特制的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。

優選的：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。

與現有的技術相比，本發明的有益效果是：