[發明專利]一種基于混合神經網絡的腦電時空特征學習與情感分類方法在審
| 申請號： | 202011057296.2 | 申請日： | 2020-09-29 |
| 公開（公告）號： | CN112244873A | 公開（公告）日： | 2021-01-22 |
| 發明（設計）人： | 陳景霞;閔重丹;郝為;張鵬偉 | 申請（專利權）人： | 陜西科技大學 |
| 主分類號： | A61B5/369 | 分類號： | A61B5/369;A61B5/16;A61B5/00 |
| 代理公司： | 西安通大專利代理有限責任公司 61200 | 代理人： | 馬貴香 |
| 地址： | 710021*** | 國省代碼： | 陜西;61 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 混合 神經網絡 時空 特征 學習 情感 分類 方法 | ||
1.一種基于混合神經網絡的腦電時空特征學習與情感分類方法，其特征在于，包括以下步驟：
步驟1：采集多個通道的腦電信號；
步驟2：從多個通道的腦電信號中提取PSD功率譜密度特征；
步驟3：將PSD功率譜密度特征的向量序列轉換為二維網狀矩陣序列；
步驟4：應用滑動窗將二維網狀矩陣序列劃分為若干個片段Pj；
步驟5：構建CASC_CNN_LSTM模型和CASC_CNN_CNN模型，通過CASC_CNN_LSTM模型從每個片段Pj中聯合提取腦電信號的深層時空特征，將CASC_CNN_LSTM模型提取的深層時空特征輸入CASC_CNN_LSTM模型對應的softmax層進行情感類別預測；
通過CASC_CNN_CNN模型從每個片段Pj中聯合提取腦電信號更深層次的深層空間特征；將CASC_CNN_CNN模型提取的更深層次的深層空間特征輸入CASC_CNN_CNN模型對應的softmax層進行情感類別預測。
2.根據權利要求1所述的一種基于混合神經網絡的腦電時空特征學習與情感分類方法，其特征在于：所述步驟1的具體步驟如下：
從DEAP數據集中提取多個通道的腦電信號，采樣頻率降至128HZ；
所述DEAP數據集采用如下步驟獲得：對多個被試進行多次試驗，采集完每個被試每次試驗的腦電信號后，對被試每次試驗的腦電信號在喚醒度、效價、喜好、優勢度和熟悉度方面使用1-9的連續數值表示由弱到強的各項指標進行情感評價。
3.根據權利要求2所述的一種基于混合神經網絡的腦電時空特征學習與情感分類方法，其特征在于，所述步驟1中還包括對采集的腦電信號進行預處理，所述預處理包括：采用4-45Hz的帶通濾波器進行數據過濾，再采用盲源分離技術去除眼電干擾。
4.根據權利要求2所述的一種基于混合神經網絡的腦電時空特征學習與情感分類方法，其特征在于，所述步驟2的具體步驟如下：
基于步驟1中提取的多個通道的腦電信號，對每次試驗的腦電信號進行不重疊分段，每次試驗得到多個樣本，則得到每個被試的樣本總數，每個樣本包含有多個采樣點，每個采樣點包含步驟1中提取的多個通道的數據，即得到RAW特征；
對分段以后的腦電信號按通道進行歸一化，得到每個被試時域上的NORM特征，在4-45Hz頻帶上利用快速傅立葉變換算法在單個樣本的每個通道上使用Hamming窗無重疊地滑動提取NORM特征的PSD特征；
最后對被試在每次試驗中RAW特征、NORM特征和PSD特征在1-9范圍內的情感評價值，以中位數5作為閾值將效價和喚醒度上的評價值劃分為兩類，大于5代表高類或正性指標，用1表示；小于或等于5代表低類或負性指標，用0表示；然后對RAW特征、NORM特征和PSD特征以及RAW特征的評價、NORM特征的評價和PSD特征的評價進行均衡化處理。
5.根據權利要求1所述的一種基于混合神經網絡的腦電時空特征學習與情感分類方法，其特征在于，所述步驟3的具體步驟如下：
時間點t的腦電信號用一維數據向量表示，n表示采集系統的通道總數，表示第n個電極通道在第t個時間點的讀數；將每次試驗中觀測時間段[t，t+N-1]內的一維腦電信號向量序列[Xt,Xt+1,...,Xt+N-1]根據腦電信號采集系統的電極空間位置關系轉換為二維矩陣序列[Yt,Yt+1,...,Yt+N-1]，再通過Z-score算法對該二維矩陣中的非零數據進行歸一化處理。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于陜西科技大學，未經陜西科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.17sss.com.cn/pat/books/202011057296.2/1.html，轉載請聲明來源鉆瓜專利網。
