[发明专利]一种基于多层感知机的情绪分类方法

权利要求书

1.一种基于多层感知机的情绪分类方法，其特征在于：包含以下步骤，

步骤1：对采集的脑电信号进行去噪；

步骤2：对该信号进行傅立叶变换，转化为频域的分析；

步骤3：特征提取，计算脑电信号的五个重要频带的微分熵、功率谱密度等值；

步骤4：将特征值输入多层感知机中训练分类模型；

步骤5：将训练所得模型加载入分类算法中，从而实现情绪的实时分类，并可利用实时采集的新数据完成模型的进一步训练。

2.根据权利要求1所述的基于多层感知机的情绪分类方法，其特征在于：所述步骤1中，提取的信号为大脑前额区的脑电信号。

3.根据权利要求2所述的基于多层感知机的情绪分类方法，其特征在于：所述步骤1中，采用双通道设备分别采集大脑左右半球的脑电信号数据，通过计算不对称熵特征，并利用此计算数据作为分类器输入，提高分类识别率。

4.根据权利要求1所述的基于多层感知机的情绪分类方法，其特征在于：所述步骤2中，利用公式：

将基于时域的信号分析与处理转化为频域的分析。

5.根据权利要求1所述的基于多层感知机的情绪分类方法，其特征在于：所述步骤3中，特征值为利用傅立叶变换处理所得后信号提取所得的各个频段的微分熵值、功率谱密度值。

6.根据权利要求5所述的基于多层感知机的情绪分类方法，其特征在于：所述步骤3的具体步骤为：

对于五个重要频带的微分熵，利用以下推导得到的公式进行计算：

用平均信息量表示一个信源X_i的信息量，将取值的范围大致划分为宽度为Δ的小部分，由均值定理可知，每部分总存在一个x_i使下面等式成立：

将每个在i部分的点赋给x_i，代入离散变量的香农熵公式中：

HΔ＝-∑_ip(x_i)Δln[p(x_i)Δ]＝-∑_ip(x_i)Δln[p(x_i)]-∑_ip(x_i)ΔlnΔ 0

当Δ趋于0时，∑_ip(x_i)Δ趋于1，而lnΔ趋于-∞，所以式(2)最右侧第二项趋向于∞，定义式(3)最右侧第一项为连续信源的熵，称为微分熵，从而微分熵可以写成：

H(x)＝-∫_Xf(x)log[f(x)]dx (2)

式中，f(x)是信号x_i的概率密度函数；假设信号源，脑电信号数据服从正态分布N(μ，σ²)，然后求解微分熵，得：

由上式可得，只要得到σ²，便可得到x_i的微分熵，则正态分布N(μ，σ²)的方差计算公式为：

通常定义离散信号的频谱能量为则由上式可得，对于某一个频带的微分熵特征为：

而功率谱密度则可通过公式：

利用对频带能量，即功率谱密度的分析，可得到人的情绪的激烈程度，利用其他特征值可通过多层感知机，对情绪的积极、消极做出分类。