[發(fā)明專利]一種基于聚類的多任務情感腦電特征提取與識別方法

在審

• 申請?zhí)枺?/td>: 202210024308.4
• 申請日: 2022-01-07
• 公開（公告）號: CN114358086A
• 公開（公告）日: 2022-04-15
• 發(fā)明（設計）人: 靳峰哲;彭勇
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于聚類的多任務情感腦電特征提取與識別方法，其特征在于，包括以下步驟：

步驟1、對多個被試者進行腦電數(shù)據(jù)采集實驗；對被試者進行外界刺激，使其產(chǎn)生情緒變化，同時采集被試者的腦電信號；

步驟2、對步驟1所得的所有腦電數(shù)據(jù)進行預處理；每一個被試者的腦電樣本處理后的數(shù)據(jù)作為一個樣本矩陣X；每個樣本矩陣X均對應一個標簽向量y；標簽向量y對應被試者的情感類別；

步驟3、將處理后的腦電數(shù)據(jù)進行聚類，檢索腦電數(shù)據(jù)原始情感類別中的情感子類，得到情感子類標簽矩陣Y；

步驟4、建立基于聚類多任務特征提取模型以求解特征權重矩陣；

步驟4-1、建立基于聚類多任務特征提取算法模型目標函數(shù)如式(1)所示：

式中，是經(jīng)過聚類后的子類情感標簽矩陣，其中n表示樣本個數(shù)，c表示子類情感類別個數(shù)；

是腦電情感數(shù)據(jù)，其中n表示樣本個數(shù)，d表示數(shù)據(jù)維度；

表示腦電情感數(shù)據(jù)特征權重矩陣，其中d表示數(shù)據(jù)維度，c表示子類情感類別個數(shù)；

表示腦電情感數(shù)據(jù)的拉普拉斯矩陣，計算方法為L＝D-S，其中是一個描述子類關系的相似性矩陣，定義為x_i表示腦電情感數(shù)據(jù)X的第i個樣本，x_j表示腦電情感數(shù)據(jù)X的第j個樣本；

是一個關于S的對角矩陣，定義為λ是用來控制權重矩陣W稀疏性的超參數(shù)；β是用來控制子類關系對目標函數(shù)影響的超參數(shù)；表示矩陣的F-范數(shù)的平方，計算方法為表示矩陣的2，1-范數(shù)的平方，計算方法為tr(·)表示矩陣的跡，其具計算方法為矩陣對角線元素之和；

步驟4-2、對(1)式求解，得到腦電情感識別任務中腦電情感數(shù)據(jù)的特征權重矩陣W；

步驟5、根據(jù)特征權重矩陣W對腦電情感數(shù)據(jù)進行特征提取，根據(jù)提取后的腦電情感數(shù)據(jù)特征進行分類模型訓練，得到腦電情感識別模型。

2.根據(jù)權利要求1所述的一種基于聚類的多任務情感腦電特征提取與識別方法，其特征在于，所述的步驟1中，通過讓被試者觀看不同情感類型的電影片段對被試者進行情感狀態(tài)誘發(fā)，讓被試者產(chǎn)生高興、悲傷、恐懼和中性的情緒變化。

3.根據(jù)權利要求2所述的一種基于聚類的多任務情感腦電特征提取與識別方法，其特征在于，所述的步驟2中所述的標簽向量y通過被試者在腦電數(shù)據(jù)采集過程中所觀看的電影片段情感類型定義的；標簽向量y中元素取值為1，2，3，4。

4.根據(jù)權利要求1所述的一種基于聚類的多任務情感腦電特征提取與識別方法，其特征在于，所述的步驟2中的預處理過程包括以下子步驟：

步驟2-1、將腦電數(shù)據(jù)采樣至200Hz后并對其進行帶通濾波至1-50Hz范圍；根據(jù)5頻段法，將其劃分為δ、θ、α、β和γ五個頻段

步驟2-2、針對這五個頻段的腦電數(shù)據(jù)分別進行時間窗口為4秒且不重疊的短時傅立葉變換，提取微分熵特征h(X)如式(2)所示，

h(X)＝-∫_xf(x)ln(f(x))dx， (2)

式(2)中，X為輸入的樣本矩陣，x為輸入的樣本矩陣中的元素；f(x)為概率密度函數(shù)；經(jīng)過更新后的微分熵特征h(X)如式(3)所示：

式(3)中，σ為概率密度函數(shù)的標準差；μ為概率密度函數(shù)的期望。

5.根據(jù)權利要求1所述的一種基于聚類的多任務情感腦電特征提取與識別方法，其特征在于：所述的腦電數(shù)據(jù)采集采用62導聯(lián)，選用5個頻段；5個頻段分別為1-4Hz、4-8Hz、8-14Hz、14-31Hz、31-50Hz。

6.根據(jù)權利要求1所述的一種基于聚類的多任務情感腦電特征提取與識別方法，其特征在于，所述的步驟3中聚類方法采用AP聚類算法，最大聚類迭代次數(shù)為1000次。

7.根據(jù)權利要求1所述的一種基于聚類的多任務情感腦電特征提取與識別方法，其特征在于，所述的步驟5中對訓練得到的權重矩陣中W進行處理，設置常數(shù)γ＝10^-5，令其中w_ij是權重矩陣W的第i行第j列元素；根據(jù)處理后的權重矩陣對腦電情感數(shù)據(jù)進行特征提取；保留權重矩陣中對應的腦電情感數(shù)據(jù)X的第j維特征，其中表示權重矩陣中第j行特征權重；采用支持向量機分類模型，對提取后的腦電情感數(shù)據(jù)特征進行訓練得到腦電情感識別模型，其中支持向量機采用徑向基核函數(shù)類型。