[發(fā)明專利]基于多尺度連通性特征和元遷移學習的腦電情緒分類方法

有效

• 申請?zhí)枺?/td>: 202110299833.2
• 申請日: 2021-03-22
• 公開（公告）號: CN113057657B
• 公開（公告）日: 2022-09-13
• 發(fā)明（設計）人: 舒琳;李晉宇;徐向民
• 申請（專利權(quán)）人: 華南理工大學;中山市華南理工大學現(xiàn)代產(chǎn)業(yè)技術研究院
• 主分類號: A61B5/377
• 分類號: A61B5/377;A61B5/372;A61B5/16
• 代理公司: 廣州市華學知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 林梅繁

1.基于多尺度連通性特征和元遷移學習的腦電情緒分類方法，其特征在于，包括以下步驟：

S1、采集誘發(fā)態(tài)下的腦電信號；

S2、對腦電信號進行預處理，以滑動窗口的方式進行切分，得到腦電片段；

S3、對每個切分好的腦電片段，計算每個通道腦電信號之間相位同步性，求出信號之間相位差的平均值，得到鎖相值矩陣；

S4、構(gòu)建多尺度殘差網(wǎng)絡，以有效地捕捉不同大腦區(qū)域的情感交互性；

S5、利用元遷移學習的框架訓練多尺度殘差網(wǎng)絡，消除腦電的個體差異性；

S6、將鎖相值矩陣輸入到多尺度殘差網(wǎng)絡進行情緒分類；

步驟S2包括以下步驟：

S21、利用帶通濾波器去掉腦電信號的噪聲、運動偽跡和基線漂移；

S22、將腦電信號分解為θ、α、β、γ四個波段；

S23、以時間長度為n秒、沒有重疊的滑動窗口的方式對腦電信號進行切分,得到腦電片段，n為一預設時間長度；

步驟S4包括以下步驟：

S41、構(gòu)建一個具有64個濾波器，卷積大小為3x3，步長為2的卷積層，用于特征提取；

S42、構(gòu)建感受野大小為3x3，步長為2的最大池化層，用于特征降采樣；

S43、構(gòu)建多尺度模塊，包括三個分支：3x殘差塊，5x殘差塊和7x殘差塊，以捕獲和融合腦電信號的淺層語義特征，利用不同的感受野來充分捕獲不同通道的腦電信號的連通性特征，充分反映出不同大腦區(qū)域的活躍程度，捕捉不同腦區(qū)之間的情感交互；

S44、構(gòu)造全局平均池化層，用于壓縮特征并且減少模型的計算量；

S45、構(gòu)造全連接層用于降維，構(gòu)造softmax層用于區(qū)分負向和正向情緒狀態(tài)。

2.根據(jù)權(quán)利要求1所述的腦電情緒分類方法，其特征在于，步驟S1中誘發(fā)態(tài)下的腦電信號指通過認知任務激發(fā)被試者特定情緒的前提下采集的腦電信號。

3.根據(jù)權(quán)利要求1所述的腦電情緒分類方法，其特征在于，步驟S3包括以下步驟：

S31、對每個切分好的腦電片段進行希爾伯特-黃變換，將連續(xù)的時域信號轉(zhuǎn)換成離散的頻域信號；

S32、計算每兩個通道腦電信號之間相位同步性，求出腦電信號之間相位差的平均值，得到鎖相值矩陣。

4.根據(jù)權(quán)利要求1所述的腦電情緒分類方法，其特征在于，步驟S5包括以下步驟：

S51、預訓練階段，訓練集的所有訓練樣本都用于訓練初始模型，并通過梯度下降法來學習特征提取器；

S52、從訓練集重復地采樣腦電數(shù)據(jù)，構(gòu)造兩個數(shù)據(jù)集：支持集和查詢集，支持集用來訓練基學習器，查詢集用來訓練元學習器；

S53、加載在預訓練階段中得到的權(quán)重，先用支持集數(shù)據(jù)去訓練多尺度殘差網(wǎng)絡，學習通用的腦電特征，去更新多尺度殘差網(wǎng)絡中卷積層的參數(shù)，完成第一次梯度更新；

S54、固定多尺度殘差網(wǎng)絡中卷積層的參數(shù)，用查詢集的數(shù)據(jù)去訓練多尺度殘差網(wǎng)絡，學習個性化的腦電特征，去更新多尺度殘差網(wǎng)絡中的全連接層的參數(shù)，完成第二次梯度更新；

S55、加載元訓練訓練好的權(quán)重，評估模型在測試集上的效果。