一种基于动态脑功能网络的情绪分类方法专利检索-信号电极电子零件及设备专利检索查询-专利查询网

一种基于动态脑功能网络的情绪分类方法

阅读：775发布：2024-01-27

专利汇可以提供一种基于动态脑功能网络的情绪分类方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于动态脑功能网络的情绪分类方法，包括：(1)采集静息态或任务态下的EEG 信号；(2)对采集的EEG信号进行预处理；(3)对进行预处理后的EEG信号进行不重叠的分段；(4)根据每个窗口的EEG信号计算相关系数矩阵；(5)根据每个窗口的相关系数矩阵的对称性，取上三角进行向量化，构建动态脑功能网络序列；(6)构建并训练基于动态脑功能网络的情绪分类器；(7)将动态脑功能网络序列输入情绪分类器进行情绪四分类。本发明通过直接观测人的脑部活动来进行情绪分析；本发明应用动态脑功能网络理论，综合考虑了人脑功能分区的拓扑结构与情绪的时变性，同时应用bi-LSTM序列模型与Attention机制构建分类器，使得模型对情绪的判别更准确。，下面是一种基于动态脑功能网络的情绪分类方法专利的具体信息内容。

权利要求

1.一种基于动态脑功能网络的情绪分类方法，其特征在于，具体步骤包括：
(1)采集静息态或任务态下的EEG 信号；
(2)对采集的EEG信号进行预处理；
(3)对进行预处理后的EEG信号进行不重叠的分段；
(4)根据每个窗口的EEG信号计算相关系数矩阵；
(5)根据每个窗口的相关系数矩阵的对称性，取上三角进行向量化，构建动态脑功能网络序列；
(6)构建并训练基于动态脑功能网络的情绪分类器；
(7)根据情绪分类体系，将动态脑功能网络序列输入情绪分类器进行情绪四分类。
2.根据权利要求1所述的一种基于动态脑功能网络的情绪分类方法，其特征在于，所述步骤(1)中，基于国际10-20所规定的32导联进行EEG信号采集；所述32导联EEG信号标识通过国际10-20系统所规定的以下32个电极位置的脑电信号，分别为：FP1、FP2、F8、TP8、P8、O2、OZ、O1、P7、TP7、T7、FT7、F7、F3、FZ、F4、C4、CP4、P4、PO2、PO1、P3、CP3、C3、FC3、FCZ、CZ、CPZ、PZ。
3.根据权利要求1所述的一种基于动态脑功能网络的情绪分类方法，其特征在于，所述步骤(2)中，预处理包括滤波、去伪迹和基线校正。
4.根据权利要求1所述的一种基于动态脑功能网络的情绪分类方法，其特征在于，所述步骤(3)的不重叠分段中以5秒为窗口。
5.根据权利要求1所述的一种基于动态脑功能网络的情绪分类方法，其特征在于，所述步骤(4)中，相关系数矩阵以记录电极为网络节点，以线性互相关为功能连接强度。
6.根据权利要求1所述的一种基于动态脑功能网络的情绪分类方法，其特征在于，所述情绪分类器基于bi-LSTM进行构建，同时对bi-LSTM模型每一个状态的输出使用Attention机制实现自适应加权融合。
7.根据权利要求1所述的一种基于动态脑功能网络的情绪分类方法，其特征在于，所述情绪分类体系表示以唤醒度Arousal、愉悦度Valence为基准的四分类体系：以唤醒度为Y轴、愉悦度为X轴构建情绪分类平面，该平面的4个象限分别代表情绪的4个类型。
8.根据权利要求1所述的一种基于动态脑功能网络的情绪分类方法，其特征在于，所述步骤(7)的分类步骤为：
(7-1)将长度为L的动态脑功能网络序列作为长度为L的bi-LSTM模型的输入，将输入序
列的每一个脑功能网络向量对应的正向LSTM Cell输出与反向LSTM Cell输出相连接，bi-LSTM模型输出长度为L的序列；
(7-2)对bi-LSTM的输出应用Attention机制，即bi-LSTM输出序列中的每一帧都输入
Attention Net，得到对应权重，根据得到的权重对bi-LSTM输出序列的所有帧进行加权求和；
(7-3)将步骤(7-2)得到的加权求和向量通过全连接层的线性变换与Softmax计算出情
绪四分类对应每个类别的概率。

说明书全文

一种基于动态脑功能网络的情绪分类方法

技术领域

[0001] 本发明涉及脑电信号处理领域，尤其涉及一种基于动态脑功能网络的情绪分类方法。

背景技术

[0002] 作为人类器官中最重要、复杂的一部分，大脑蕴含了人体丰富的生理信息与心理信息，是控制人类行为与情感的中枢系统。因此脑科学领域日渐成为重要的研究领域，而情绪分类则是其中的研究热点之一。脑电信号作为脑部神经元活动在大脑皮层的具现化，能够直接反映源自于大脑内部产生的思维状态与情绪变化。相比于自我报告、自主神经系统测量、行为测量等传统手段具有的主观性强、准确度低、难以分析等缺陷，基于脑电的情绪测量方法不受主观影响，准确性更高，且后续的分析手段更丰富。而如何从脑电信号中提取有用信息，是准确进行情绪识别的关键点。

[0003] 现代研究表明，人脑是在秒级与毫秒级下进行动态变化的，而基于静态连接分析脑功能网络的方法存在忽略情绪时变性的固有缺陷，因此引入动态脑功能网络理论具有其必要性。基于人脑在一段连续时间内的脑功能网络序列来对情绪建模，需要引入序列模型，而传统的序列模型具有梯度消失的问题，对长距离序列的信息建模先天不足，由左往右的序列建模方法会使序列的最后若干个输入状态占有最大的权重，没有最大程度地利用序列的上下文信息。

发明内容

[0004] 本发明的目的在于克服现有技术的不足，提供一种基于动态脑功能网络的情绪分类方法。

[0005] 本发明的目的能够通过以下技术方案实现：

[0006] 一种基于动态脑功能网络的情绪分类方法，具体步骤包括：

[0007] (1)采集静息态或任务态下的脑电波(EEG)信号；

[0008] (2)对采集的EEG信号进行预处理；

[0009] (3)对进行预处理后的EEG信号进行不重叠的分段；

[0010] (4)根据每个窗口的EEG信号计算相关系数矩阵；

[0011] (5)根据每个窗口的相关系数矩阵的对称性，取上三角进行向量化，构建动态脑功能网络序列；

[0012] (6)构建并训练基于动态脑功能网络的情绪分类器；

[0013] (7)根据情绪分类体系，将动态脑功能网络序列输入情绪分类器进行情绪四分类。

[0014] 具体地，所述步骤(1)中，基于国际10-20所规定的32导联进行EEG信号采集。

[0015] 进一步地，所述32导联EEG信号标识通过国际10-20系统所规定的以下32个电极位置的脑电信号，分别为：FP1、FP2、F8、TP8、P8、O2、OZ、O1、P7、TP7、T7、FT7、F7、F3、FZ、F4、C4、CP4、P4、PO2、PO1、P3、CP3、C3、FC3、FCZ、CZ、CPZ、PZ。

[0016] 具体地，所述静息态与任务态下的脑电信号中，静息态是指被试者在无认知任务、安静状态下采集的脑电信号，任务态是指通过认知任务激发被试者特定情绪的前提下采集的脑电信号。

[0017] 具体地，所述步骤(2)中，预处理包括滤波、去伪迹和基线校正。

[0018] 具体地，所述步骤(3)的不重叠分段以5秒为窗口。

[0019] 具体地，所述步骤(4)中，相关系数矩阵以记录电极为网络节点，以线性互相关为功能连接强度。数学上表述形式为N*N的相关系数矩阵。

[0020] 具体地，所述情绪分类器基于双向长短期记忆网络(bi-LSTM)进行构建，同时对bi-LSTM模型每一个状态的输出使用注意力机制(Attention)实现自适应加权融合，以代替传统LSTM直接取最后一个状态输出的方法，具体实现是使用多层感知器(MLP)对bi-LSTM每个状态的输出各自计算对应的权重，利用对应权重实现加权融合，最后对Attention的输出通过线性变换与Softmax变换计算得到每一个情绪类别的概率，实现分类功能。

[0021] 具体地，所述情绪分类体系表示以唤醒度Arousal、愉悦度Valence为基准的四分类体系：以唤醒度为Y轴、愉悦度为X轴构建情绪分类平面，该平面的4个象限分别代表情绪的4个类型。

[0022] 进一步地，所述步骤(7)的分类步骤为：

[0023] (7-1)将长度为L的动态脑功能网络序列作为长度为L的bi-LSTM模型的输入，将输入序列的每一个脑功能网络向量对应的正向LSTM Cell输出与反向LSTM Cell输出相连接，bi-LSTM模型输出长度为L的序列；

[0024] (7-2)对bi-LSTM的输出应用Attention机制，即bi-LSTM输出序列中的每一帧都输入Attention Net，得到对应权重，根据得到的权重对bi-LSTM输出序列的所有帧进行加权求和；

[0025] (7-3)将步骤(7-2)得到的加权求和向量通过全连接层的线性变换与Softmax计算出情绪四分类对应每个类别的概率。

[0026] 本发明相较于现有技术，具有以下的有益效果：

[0027] 1、本发明通过构建一段连续时间内的动态脑功能网络序列，最大程度地利用人脑的拓扑结构信息与时变信息，提升情绪分类的准确率，能够一定程度上解决基于静态连接分析脑功能网络方法忽略情绪时变性的固有缺陷。

[0028] 2、本发明引入了双向长短期记忆模型与注意力机制来构建情绪分类模型，能够更好地捕捉长距离序列的信息与利用序列的上下文信息；并且注意力机制能够实现序列模型的自适应加权，可以最大程度地利用序列模型的输出。附图说明

[0029] 图1为一种基于动态脑功能网络的情绪分类方法的流程图。

[0030] 图2为本发明实施例中基于bi-LSTM和Attention机制构建的情绪分类模型示意图。

[0031] 图3为本发明实施例中基于唤醒度Arousal和愉悦度Valence划分的情绪分类基准图。

具体实施方式

[0032] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

[0033] 实施例

[0034] 如图1所示为一种基于动态脑功能网络的情绪分类方法的流程图，具体步骤包括：

[0035] (1)采集静息态或任务态下的脑电波(EEG)信号；

[0036] 具体地，基于国际10-20所规定的32导联进行EEG信号采集。

[0037] 进一步地，所述32导联EEG信号表示通过国际10-20系统所规定的以下32个电极位置的脑电信号，分别为：FP1、FP2、F8、TP8、P8、O2、OZ、O1、P7、TP7、T7、FT7、F7、F3、FZ、F4、C4、CP4、P4、PO2、PO1、P3、CP3、C3、FC3、FCZ、CZ、CPZ、PZ。

[0038] 具体地，所述静息态与任务态下的脑电信号中，静息态是指被试者在无认知任务、安静状态下采集的脑电信号，任务态是指通过认知任务激发被试者特定情绪的前提下采集的脑电信号。

[0039] (2)对采集的EEG信号进行预处理；

[0040] 具体地，预处理包括滤波、去伪迹和基线校正。

[0041] (3)对进行预处理后的EEG信号进行不重叠的分段；

[0042] 具体地，不重叠分段中以5秒为窗口。

[0043] (4)根据每个窗口的EEG信号计算相关系数矩阵；

[0044] 在本实施例中，相关系数矩阵以记录电极为网络节点，以线性互相关为功能连接强度。由于对一段连续时间内采集的32导联脑电信号进行5秒分段，形成一组32*32的相关系数矩阵。

[0045] (5)根据每个窗口的相关系数矩阵的对称性，取每个相关系数矩阵的上三角进行向量化，构建动态脑功能网络序列；

[0046] (6)构建并训练基于动态脑功能网络的情绪分类器；

[0047] 如图2所示为构造的情绪分类器中的情绪分类模型，所述情绪分类器基于双向长短期记忆网络(bi-LSTM)进行构建，同时对bi-LSTM模型每一个状态的输出使用注意力机制(Attention)实现自适应加权融合，以代替传统LSTM直接取最后一个状态输出的方法，具体实现是使用多层感知器(MLP)对bi-LSTM每个状态的输出各自计算对应的权重，利用对应权重实现加权融合，最后对Attention的输出通过线性变换与Softmax变换计算得到每一个情绪类别的概率，实现分类功能。

[0048] (7)根据情绪分类体系，将动态脑功能网络序列输入情绪分类器进行情绪四分类。

[0049] 具体地，所述情绪分类体系表示以唤醒度Arousal、愉悦度Valence为基准的四分类体系：以唤醒度为Y轴、愉悦度为X轴构建情绪分类平面，该平面的4个象限分别代表情绪的4个类型。如图3所示为基于唤醒度与愉悦度划分的情绪分类基准图。

[0050] 进一步地，所述步骤(7)的分类步骤为：

[0051] (7-1)将长度为L的动态脑功能网络序列作为长度为L的bi-LSTM模型的输入，将输入序列的每一个脑功能网络向量对应的正向LSTM Cell输出与反向LSTM Cell输出相连接，bi-LSTM模型输出长度为L的序列；

[0052] (7-2)对bi-LSTM的输出应用Attention机制，即bi-LSTM输出序列中的每一帧都输入Attention Net，得到对应权重，根据得到的权重对bi-LSTM输出序列的所有帧进行加权求和；

[0053] (7-3)将步骤(7-2)得到的加权求和向量通过全连接层的线性变换与Softmax计算出情绪四分类对应每个类别的概率。

[0054] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

标题	发布/更新时间	阅读量
一种通过直流增强的常压光电离源装置	2020-05-08	802
一种旋转连接式导线连接器	2020-05-08	282
一种晶闸管及其制作方法	2020-05-08	952
控制装置以及控制方法	2020-05-08	540
一种显示面板母版	2020-05-08	579
用于透明发光器件显示器的嵌入式电极基板及其制造方法	2020-05-11	401
一种流体开关	2020-05-08	927
一种多电极pH分析仪	2020-05-08	700
一种具有过滤大颗粒物功能的颗粒物传感器芯片	2020-05-11	828
双行程扳机击发器	2020-05-11	577

一种基于动态脑功能网络的情绪分类方法

一种基于动态脑功能网络的情绪分类方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：