[發明專利]一種融合先驗與自動腦電特征的情緒識別方法及系統

有效

• 申請號: 202110052255.2
• 申請日: 2021-01-15
• 公開（公告）號: CN112836593B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 馮筠;王晨;胡景釗;劉科;賈巧妹
• 申請（專利權）人: 西北大學
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/25;G06F18/24;G06N3/0464
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 趙中霞

本發明公開了一種融合先驗與自動腦電特征的情緒識別方法及系統，該方法首先從原始腦電信號中提取與情緒相關的不同頻率的差分熵特征，然后將其映射為差分熵矩陣并拼接為空頻特征矩陣后作為數學驅動的先驗情緒特征；同時通過縮放卷積層自動提取原始腦電信號中的時頻域信息作為數據驅動的自動腦電情緒特征；再將先驗情緒特征與自動腦電情緒特征進行變換后拼接，再進行融合，提取其高階語義特征，最后送入柔性最大值激活函數對情緒進行識別分類。本發明提供了一種能結合先驗知識與數據驅動、可同時建模時空頻域信息、提高情緒識別的智能與普適性的情緒識別的方法。

技術領域

本發明屬于生物信息識別技術領域，具體涉及一種融合先驗與自動腦電特征的情緒識別方法及系統。

背景技術

如何從腦活動數據中發現具有生物學意義的知識及規律并加以利用,正成為當今生物信息識別領域理論與實踐研究的難點與熱點。基于腦電信號的情緒識別及其腦機制的關聯研究，已經成為神經工程和人工智能領域的熱門課題。近年來,機器學習技術的進步為基于腦電信號的情緒識別研究提供了可用的技術方法。機器學習的各種應用中，手工設計的特征仍處于主導地位，它主要依靠的是設計者的先驗知識，傳統的手工特征較好地利用了先驗知識，但也會損失原始腦電信號中的其他信息，難以充分地利用數據提供的各種信息，并且手工特征的設計依賴于強假設性，導致其可移植性不強。深度學習可以從數據中自動學習特征的表示，但是這種方法提取的特征類型單一，并且缺少先驗知識。

發明內容

針對現有技術中的缺陷和不足，本發明提供了一種融合先驗與自動腦電特征的情緒識別方法及系統，該方法能改善腦電情緒識別過程中缺乏先驗腦電情緒知識、強假設性和保留的任務相關特征不魯棒的問題。

為達到上述目的，本發明采取如下的技術方案：

一種融合先驗與自動腦電特征的情緒識別方法，該方法首先從原始腦電信號中提取與情緒相關的不同頻率的差分熵特征，將其映射為差分熵矩陣，然后將不同頻帶的差分熵矩陣拼接為空頻特征矩陣作為數學驅動的先驗情緒特征；同時通過縮放卷積層自動提取原始腦電信號中的時頻域信息作為數據驅動的自動腦電情緒特征；將數學驅動的先驗情緒特征與數據驅動的自動腦電情緒特征進行變換后拼接，再進行融合，提取其高階語義特征，最后送入柔性最大值激活函數對情緒進行識別分類。

本發明還包括如下技術特征：

具體的，該方法包括以下步驟：

步驟一，構建先驗情緒特征：

從原始腦電信號中提取與情緒相關的不同頻率的差分熵特征，依據電極空間位置將其映射為差分熵矩陣，然后將不同頻帶的差分熵矩陣拼接為空頻特征矩陣，將其作為數學驅動的先驗情緒特征；

步驟二，構建自動腦電情緒特征：

將原始的腦電信號逐通道送入獨立的縮放卷積層，所有通道的輸出結果拼接為一個三維張量作為以數據驅動的自動腦電情緒特征；

步驟三，特征融合：

對步驟一和步驟二所得到的先驗情緒特征和自動腦電情緒特征進行特征變換，分別得到數學驅動的先驗情緒特征向量和數據驅動的自動腦電情緒特征向量；將先驗情緒特征向量和腦電情緒特征向量進行深度融合，提取高階語義特征；

步驟四，分類識別：

將步驟三提取到的高階語義特征送入柔性最大值激活函數對情緒進行識別分類。

具體的，所述步驟一包括如下步驟：

步驟1.1，利用傅里葉變換逐通道將原始腦電信號劃分為(4-7Hz)、(8-15Hz)、(16-32Hz)和(33-45Hz)四個頻段；

步驟1.2，逐通道計算步驟1.1中四個頻段上的功率譜密度；