[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在审
申请号: | 202011057296.2 | 申请日: | 2020-09-29 |
公开(公告)号: | CN112244873A | 公开(公告)日: | 2021-01-22 |
发明(设计)人: | 陈景霞;闵重丹;郝为;张鹏伟 | 申请(专利权)人: | 陕西科技大学 |
主分类号: | A61B5/369 | 分类号: | A61B5/369;A61B5/16;A61B5/00 |
代理公司: | 西安通大专利代理有限责任公司 61200 | 代理人: | 马贵香 |
地址: | 710021*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 混合 神经网络 时空 特征 学习 情感 分类 方法 | ||
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Pj;
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Pj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Pj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[Xt,Xt+1,...,Xt+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[Yt,Yt+1,...,Yt+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。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于陕西科技大学,未经陕西科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011057296.2/1.html,转载请声明来源钻瓜专利网。