[發明專利]一種基于多任務膠囊的腦電情緒識別方法

有效

• 申請號: 202111060732.6
• 申請日: 2021-09-10
• 公開（公告）號: CN113749657B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 李暢;王彬;劉羽;成娟;宋仁成;陳勛
• 申請（專利權）人: 合肥工業大學
• 主分類號: A61B5/16
• 分類號: A61B5/16;A61B5/369;G06N3/0464;G06F18/2415;G06N3/084
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于多任務膠囊的腦電信號情緒識別方法，其特征是按如下步驟進行：

步驟1、獲取任一受試者B的帶有L種情緒標簽的腦電信號數據并進行預處理，包括去基線和樣本分割，從而得到受試者B的N個腦電信號樣本，記為U＝{U₁,U₂,…,U_k,…U_N}，其中，U_k∈R^m×p表示第k個腦電信號樣本，m表示通道數，p表示采樣點數；L≥2；且每種情緒標簽有q種類型；

步驟2、建立初始的多任務膠囊模型，包括：通道注意力機制模塊和膠囊網絡組成，其中，通道注意力機制模塊包含最大池化層、平均池化層和共享多層感知器MLP，膠囊網絡包含共享卷積層，共享初始膠囊層、動態路由層和情緒膠囊層；

步驟2.1、將N個腦電信號樣本U輸入所述多任務膠囊模型中，經過所述通道注意力機制模塊的最大池化層和均值池化層的操作后輸出的結果再輸入所述共享多層感知器MLP中，輸出與通道相關的特征概率圖序列C＝{C₁,C₂,...,C_k,...,C_N}；其中，C_k表示第k個通道的特征概率圖；

將所述特征概率圖序列C與N個腦電信號樣本U相乘后，得到含有通道注意力機制的EEG數據其中，第k個通道的EEG數據；

步驟2.2、將所述含有通道注意力機制的EEG數據送入所述膠囊網絡中，經過所述共享卷積層的卷積操作后得到低級共享特征序列P＝{P₁,P₂,...,P_k,...,P_N}；其中，P_k表示第k個低級共享特征；

步驟2.3、所述低級共享特征序列P＝{P₁,P₂,...,P_k,...,P_N}經過共享初級膠囊層后得到相應的低級特征向量H＝{H₁,H₂,...,H_k,...,H_N}，其中，H_k表示第k個低級特征；

步驟2.4、利用式(1)建立膠囊網絡的第l種情緒標簽的第q種類型損失函數Loss_lq：

Loss_lq＝G_lqmax(0,m⁺-||z_lq||₂)²+λ(1-G_lq)max(0,||z_lq||₂-m^-)²????????(1)

式(1)中，z_lq即為情緒膠囊層輸出的第l種情緒標簽的第q種類型的情緒膠囊，G_lq是第l個情緒任務的第q種類型的指示函數，當第l種情緒標簽中存在第q種類型時，則令G_lq＝1，否則令G_lq＝0；m⁺和m^-分別表示假陽性和假陰性的懲罰函數；λ是比例系數；

利用式(2)建立總損失Loss：

步驟2.5、設置所述動態路由層中的一組初始參數，并將其初始化為0；取所述初始參數的softmax函數得到初始耦合系數；

所述動態路由層基于所述總損失Loss對所述低級特征向量H＝{H₁,H₂,...,H_k,...,H_N}進行多輪訓練和反向傳播，得到每一輪的變換矩陣；所述低級特征向量H與每一輪的變換矩陣相乘后，就可以得到每一輪的預測向量，即每一輪的高級特征；

將每一輪的預測向量與每一輪的耦合系數進行相乘后再相加，得到低級特征向量H屬于每一輪的高級特征的概率；

利用非線性函數對所述概率進行0到1之間的擠壓處理，得到情緒膠囊；

所述情緒膠囊層對所述情緒膠囊進行向量長度的計算，得到N個腦電信號樣本U的每個腦電信號樣本屬于L種情緒標簽的概率，并選擇最后一輪的訓練結果作為最終的識別結果。