[發明專利]利用遷移學習實現神經網絡腦電情感識別模型的方法

有效

• 申請號: 202110904775.1
• 申請日: 2021-08-07
• 公開（公告）號: CN113627518B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 王量弘;余燕婷;李馨
• 申請（專利權）人: 福州大學
• 主分類號: G06F18/2135
• 分類號: G06F18/2135;G06F18/25;G06N3/0464;G06N3/096;A61B5/16;A61B5/372
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 丘鴻超;蔡學俊

1.一種利用遷移學習實現神經網絡腦電情感識別模型的方法，其特征在于，包括以下步驟：

步驟S1：對腦電數據集進行預處理；

步驟S2：搭建腦電信號特征提取預訓練模型，以基于三心搏識別方法構建的雙通道一維卷積神經網絡模型作為源域模型遷移模型進行微調訓練，采用一維卷積神經網絡對每個通道的腦電信號進行特征提取，將全連接層至輸出層的結構替換為平均池化層，輸出各通道腦電信號的高層次提取特征，得到多通道卷積神經網絡；

步驟?S3：采用多通道卷積神經網絡對腦電數據集中的多通道腦電信號進行特征提取；

步驟S4：得到多通道卷積網絡輸出的高層次特征，特征集合輸入遞歸神經網絡中進行序列建模，輸出遞歸神經網絡特征集合；

步驟S5：使用自適應注意力模型和加權特征融合方式實現特征的重新分布，重構形成完整且具有時序信息的特征集合；

步驟S6：特征集合通過完全連接層進行多分類，獲得腦電情感信號在效價和喚醒度兩種指標上的預測結果；

步驟S1具體包括以下步驟：

步驟S11:采用小波基函數對腦電數據集中的腦電信號進行多級小波變換分解，得到EEG_raw_data；

步驟S12:對EEG_raw_data進行去均值，把輸入數據各個維度都中心化為0，把樣本的中心拉回到坐標系原點上，得到數據EEG_data1；

步驟S13:把EEG_data1中信號幅度歸一化到一樣的范圍，得到數據EEG_data2；

步驟S14:對EEG_data2進行主成分分析，使數據各個特征軸上的幅度歸一化，得到數據集EEG_data；

步驟S2具體包括以下步驟：

步驟S21:從源域獲取一維卷積神經網絡模型，將全連接層至輸出層的結構進行替換，采用一維卷積神經網絡對每個通道的腦電信號進行特征提取，將全連接層至輸出層的結構替換為平均池化層，輸出各通道腦電信號的高層次提取特征，得到初始模型Model_1；

步驟S22:取出EEG_data數據庫中的部分數據，作為EEG_Transfer數據集；

步驟S23:將EEG_Transfer數據集中的數據分為訓練集、測試集和驗證集，每個數據集各自獨立嚴格分開互不關聯；

步驟S24:將每組訓練集在初始模型Model_1上進行訓練并在驗證集上進行驗證；

步驟S25:重復步驟S23直至遍歷全部訓練集，通過梯度下降法，優化初始參數得到目標域模型Model_2；

步驟S26:用測試集對Model_2進行測試，驗證遷移后目標域模型的可靠性；

步驟S3具體包括以下步驟：

步驟S31:將EEG_data數據集中的多導聯腦電信號作為多通道數據分別輸入到目標域模型Model_2的各通道提取情感特征；

步驟S32:將切割后的EEG_data輸入卷積層，采用補零方式使得卷積運算后輸出長度保持不變；

步驟S33:卷積層輸出數據進入歸一化層進行歸一化處理，再輸入下一激活層，激活函數采用ReLU函數；

步驟S34:將卷積層，歸一層和激活層組合多次疊加并在其中插入Dropout層，隨機失活部分網絡以防止網絡過擬合；

步驟S35:通過平均池化層輸出單個通道的高層次特征；

步驟S4具體包括以下步驟：

步驟S41:多通道卷積網絡輸出特征張量S以供雙向長短期記憶結構Bi-LSTM的遞歸神經網絡輸入使用，輸出張量長為批處理大小、寬為時間序列長度、通道數為隱藏層單元數量；

步驟S42:在Bi-LSTM內部單元中附加一個tanh激活函數以實現非線性映射，將特征映射至[0,1]范圍；

步驟S43:Bi-LSTM網絡的隱藏層數量的初始選取采用與輸入特征向量的長度相一致，后逐步調整隱藏單元個數，批處理大小的初值設置，并且設定訓練的循環次數閾值；

步驟S44:在Bi-LSTM網絡中加入L1正則化、L2正則化以及隨機失活層，以避免網絡過擬合現象，網絡訓練得到腦電情感信號的時序特征集S_Time；

步驟S45:通過對應位置取和的方式將Bi-LSTM網絡中的正向、反向的兩組輸出合并為長、寬、通道數均不變的一組特征向量，由此得到遞歸神經網絡的輸出維度。