[發明專利]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

• 申請號: 202110299833.2
• 申請日: 2021-03-22
• 公開（公告）號: CN113057657B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 舒琳;李晉宇;徐向民
• 申請（專利權）人: 華南理工大學;中山市華南理工大學現代產業技術研究院
• 主分類號: A61B5/377
• 分類號: A61B5/377;A61B5/372;A61B5/16
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 林梅繁

本發明公開了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。包括：采集誘發態下的32導聯腦電信號；對腦電信號進行預處理，以滑動窗口的方式進行切分；根據每個窗口的腦電信號計算鎖相值矩陣；構建多尺度殘差網絡；利用元遷移學習的框架訓練多尺度殘差網絡，消除腦電的個體差異性；將鎖相值矩陣輸入到多尺度殘差網絡進行情緒分類。本發明通過多尺度殘差網絡，可以充分挖掘腦電的連通性特征，探討連通性特征與情緒狀態之間的關系，捕捉不同人腦區域的情感交互；本發明通過元遷移學習的框架，可以有效地緩解了跨被試場景下的腦電個體差異大的問題。

技術領域

本發明涉及腦電信號處理領域，尤其涉及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。

背景技術

情緒識別已成為腦機接口領域中(BCI)中一個非常熱門的問題，越來越多的研究人員對情緒識別進行了大量研究。由于腦電信號具有良好的時間分辨率，并且易于獲取，因此腦電信號已在大多數腦機接口應用中得到廣泛使用。盡管面部表情或諸如心電信號、皮電信號之類的其他生理信號也可以用于情緒識別，但是受試者很容易進行隱藏，從而導致結果不夠客觀。但是，腦電信號無法掩蓋，它比面部表情和其他生理信號更客觀，并且可以更好地真實反映情緒變化。因此，越來越多的研究者通過腦電信號來進行情緒識別。

但是，在同一刺激源的刺激下，從不同受試者采樣的腦電信號在電壓幅度上差異很大，反映了不同受試者腦電的活躍程度也有所不同，因此腦電信號的情緒識別存在個體差異大的問題，這會大大地影響模型在跨被試者實驗中的準確率。

因此，有必要去設計新穎的情緒分類算法，解決在跨被試者實驗場景下，腦電個體差異性大的問題，并且更好地挖掘不同腦區之間的情感交互性。

發明內容

為了克服現有技術的上述缺點與不足，本發明提出了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。該方法挖掘出連通性特征與情緒狀態之間的關系，通過多尺度的殘差網絡有效地捕捉不同人腦區域的情感交互，并結合了元學習和遷移學習的優點，可以很好地消除腦電的個體差異性，提高了情緒識別分類模型在跨被試者實驗中的準確率。

本發明的目的通過以下技術方案實現：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，包括以下步驟：

S1、采集誘發態下的腦電信號；

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、構建多尺度殘差網絡，以有效地捕捉不同大腦區域的情感交互性；

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絡進行情緒分類。

在優選的實施例中，步驟S4包括以下步驟：

S41、構建一個具有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域的活躍程度，捕捉不同腦區之間的情感交互；

S44、構造全局平均池化層，用于壓縮特征并且減少模型的計算量；

S45、構造全連接層用于降維，構造softmax層用于區分負向和正向情緒狀態。

在優選的實施例中，步驟S5包括以下步驟：