[發明專利]一種基于三維特征和空洞全卷積網絡的腦電情感識別系統

在審

• 申請號: 202110034341.0
• 申請日: 2021-01-11
• 公開（公告）號: CN113180659A
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 李冬冬;王喆;柴冰;楊海;杜文莉
• 申請（專利權）人: 華東理工大學
• 主分類號: A61B5/16
• 分類號: A61B5/16;A61B5/369;A61B5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于三維特征和空洞全卷積網絡的腦電情感識別系統，包括如下步驟：首先對腦電信號進行預處理后分解到四個不同的頻段上，并進行分幀處理，從每個幀中提取不同頻段上各個電極通道的腦電情感特征；然后該特征按照腦電信號采集時電極放置的位置信息進行重排，并按照頻帶進行拼接，構建一個三維腦電特征陣列，再輸入到空洞全卷積網絡中進行訓練，并引入譜范數正則化項，最終使用softmax分類器進行情感分類。由于大腦的情感活動涉及不同電極通道和頻帶之間的信息回傳和交互，本發明中的三維特征表示能夠捕獲不同電極通道和頻帶之間的信息，空洞全卷積網絡在此基礎上可以進一步挖掘深層次的有利于情感分類的特征，從而進一步提高腦電情感識別的正確率。

技術領域

本發明涉及腦電情感識別技術領域，具體地說，本發明涉及一種基于三維特征和空洞全卷積網絡對腦電信號進行情感分類的腦電情感識別系統。

背景技術

情感在我們的日常生活和交流中起到不可替代的作用。尤其是當我們與機器互動時，我們也希望機器能理解我們在表達什么樣的情感。因此，情感被認為是構建更友好、更自然的人機交互(HMI)的重要因素。隨著人工智能技術的飛速發展，自動情感識別技術的出現使其成為可能。對于情感識別，應該對情感進行定量的定義和使用。心理學家通常將情感分成兩種分類模型，一種是離散型，包含六種基本情感(快樂、悲傷、恐懼、厭惡、憤怒、驚訝)和混合情感等。另一種是維度模型，用valence和arousal維度表示。一般來說，直接從大腦皮層采集的腦電圖(EEG)信號是情感刺激的實時反映，為情感識別提供了更全面的途徑。

將腦電信號應用于情感識別的過程包括情感誘發，腦電信號采集，腦電信號預處理，特征提取和選擇，情感分類。在這些過程中，有效特征的提取和選擇以及最終的情感分類是最重要的兩個步驟。研究者感興趣的是五個頻帶的腦電信號，包括Delta(約1-3Hz)、Theta(約 4-7Hz)、Alpha(約8-12Hz)、Beta(約13-30Hz)和Gamma(約31-100Hz)?；緛碚f，每個頻帶上的腦電特征可以是時域特征(包括均值、標準差等等)，可以是頻域特征(包括頻帶功率、功率譜密度等等)，也可以是時頻域特征(包括微分熵、小波變換等等)。時域特征主要考慮腦電信號的時間特性，頻域特征是從頻率的角度捕獲腦電信號信息，而時頻域特征則從腦電信號的時間和頻率維度提取腦電信息。根據獲得的腦電特征，構建了大量的情感識別模型。常用的情感分類模型可以分為兩種，一種是傳統的機器學習模型(如SVM、決策樹、隨機森林等等)，這種需要手動的特征提取和優化；另一種是端到端的深度學習模型(如CNN、 RNN、LSTM等等)，不再需要人工特征，可以自動提取情感相關特征進行情感識別。

由于大腦的情感活動涉及不同電極通道和頻帶之間的信息回傳和交互，因此如何適當地利用這些先驗知識非常重要。三維特征表示能夠捕獲不同電極通道和頻帶之間的信息，空洞全卷積網絡在此基礎上可以進一步挖掘深層次的有利于情感分類的特征。針對這兩者各自的特性，若能充分利用這些腦電特征信息，將會進一步提高腦電情感識別的正確率。

發明內容

本發明所要解決的技術問題是提供一種更加有效的腦電情感識別系統，通過該腦電情感識別系統，可以進一步提高情感識別的正確率。由于三維特征表示能夠很好地利用腦電信號的信息，空洞全卷積網絡可以進一步挖掘深層次的有利于情感分類的特征，所以如何能夠更好地結合兩者各自的特點去完美剖析腦電特征是本發明的一個難點。鑒于上述難點，本發明的目的是提出一種基于三維特征表示和空洞全卷積網絡的腦電情感識別系統。通過三維特征表示，能夠更好地利用腦電信號電極通道間，頻帶間以及不同特征激活模式之間的互補信息；通過空洞全卷積網絡來提取更深層次的腦電特征信息，進而提升腦電情感識別的性能。

1.一種基于三維特征和空洞全卷積網絡的腦電情感識別系統，其特征在于，包括如下步驟：

S1、對所收集到的腦電信號樣本進行預處理，并將預處理后的腦電信號分解到四個不同的頻段上；

S2、對步驟S1所得到的不同頻段上的腦電信號進行分幀處理，從每個幀中提取不同頻段上各個電極通道的腦電情感特征并移除基線特征；