[发明专利]一种基于混合神经网络的脑电时空特征学习与情感分类方法

权利要求书

1.一种基于混合神经网络的脑电时空特征学习与情感分类方法，其特征在于，包括以下步骤：

步骤1：采集多个通道的脑电信号；

步骤2：从多个通道的脑电信号中提取PSD功率谱密度特征；

步骤3：将PSD功率谱密度特征的向量序列转换为二维网状矩阵序列；

步骤4：应用滑动窗将二维网状矩阵序列划分为若干个片段P_j；

步骤5：构建CASC_CNN_LSTM模型和CASC_CNN_CNN模型，通过CASC_CNN_LSTM模型从每个片段P_j中联合提取脑电信号的深层时空特征，将CASC_CNN_LSTM模型提取的深层时空特征输入CASC_CNN_LSTM模型对应的softmax层进行情感类别预测；

通过CASC_CNN_CNN模型从每个片段P_j中联合提取脑电信号更深层次的深层空间特征；将CASC_CNN_CNN模型提取的更深层次的深层空间特征输入CASC_CNN_CNN模型对应的softmax层进行情感类别预测。

2.根据权利要求1所述的一种基于混合神经网络的脑电时空特征学习与情感分类方法，其特征在于：所述步骤1的具体步骤如下：

从DEAP数据集中提取多个通道的脑电信号，采样频率降至128HZ；

所述DEAP数据集采用如下步骤获得：对多个被试进行多次试验，采集完每个被试每次试验的脑电信号后，对被试每次试验的脑电信号在唤醒度、效价、喜好、优势度和熟悉度方面使用1-9的连续数值表示由弱到强的各项指标进行情感评价。

3.根据权利要求2所述的一种基于混合神经网络的脑电时空特征学习与情感分类方法，其特征在于，所述步骤1中还包括对采集的脑电信号进行预处理，所述预处理包括：采用4-45Hz的带通滤波器进行数据过滤，再采用盲源分离技术去除眼电干扰。

4.根据权利要求2所述的一种基于混合神经网络的脑电时空特征学习与情感分类方法，其特征在于，所述步骤2的具体步骤如下：

基于步骤1中提取的多个通道的脑电信号，对每次试验的脑电信号进行不重叠分段，每次试验得到多个样本，则得到每个被试的样本总数，每个样本包含有多个采样点，每个采样点包含步骤1中提取的多个通道的数据，即得到RAW特征；

对分段以后的脑电信号按通道进行归一化，得到每个被试时域上的NORM特征，在4-45Hz频带上利用快速傅立叶变换算法在单个样本的每个通道上使用Hamming窗无重叠地滑动提取NORM特征的PSD特征；

最后对被试在每次试验中RAW特征、NORM特征和PSD特征在1-9范围内的情感评价值，以中位数5作为阈值将效价和唤醒度上的评价值划分为两类，大于5代表高类或正性指标，用1表示；小于或等于5代表低类或负性指标，用0表示；然后对RAW特征、NORM特征和PSD特征以及RAW特征的评价、NORM特征的评价和PSD特征的评价进行均衡化处理。

5.根据权利要求1所述的一种基于混合神经网络的脑电时空特征学习与情感分类方法，其特征在于，所述步骤3的具体步骤如下：

时间点t的脑电信号用一维数据向量表示，n表示采集系统的通道总数，表示第n个电极通道在第t个时间点的读数；将每次试验中观测时间段[t，t+N-1]内的一维脑电信号向量序列[X_t,X_t+1,...,X_t+N-1]根据脑电信号采集系统的电极空间位置关系转换为二维矩阵序列[Y_t,Y_t+1,...,Y_t+N-1]，再通过Z-score算法对该二维矩阵中的非零数据进行归一化处理。