[发明专利]基于脑电信号的时间迁移情绪识别方法及系统

权利要求书

1.一种基于脑电信号的时间迁移情绪识别方法，其特征在于，包含如下内容：

针对目标对象，对其情绪图片的原始脑电信号进行分段，并提取预设时间段内情绪图片呈现的情绪脑电数据，对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；

将预处理后的脑电数据信号划分为多个频段，从时域、频域、时频域及脑电网络属性中提取该多个频段内的情绪脑电特征；针对提取的情绪脑电特征，通过支持向量机分类器进行情绪分类，从中挑选出稳定情绪脑电特征；

构建用于通过迭代进行训练测试的多分类渐进直推式支持向量机分类器，该多分类渐进直推式支持向量机分类器包含多分类条件下的区域标注和标签重置过程，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；

利用稳定情绪脑电特征对多分类渐进直推式支持向量机分类器训练学习；针对目标对象待分类的情绪脑电信号，利用训练学习后的多分类渐进直推式支持向量机分类器进行分类，以实现基于脑电信号的时间迁移情绪识别。

2.根据权利要求1所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，利用快速独立分量分析Fastica算法去除眨眼伪迹；通过切比雪夫滤波器进行带通滤波处理，以去除数据信号中大于设定幅值的数据段。

3.根据权利要求1所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，将脑电数据信号划分为5个频段，该5个频段依次为4-8Hz、8-13Hz、13-30Hz、30-50Hz及50-80Hz；提取该5个频段内的能量特征、微分熵特征、脑电网络属性及时域分形维数特征。

4.根据权利要求3所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，所述脑电网络属性包含聚类系数、特征路径长度、局部效率及全局效率。

5.根据权利要求1所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，通过支持向量机分类器并利用基于后向特征选择算法，从提取的情绪脑电特征中筛选出稳定情绪脑电特征。

6.根据权利要求5所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，稳定情绪脑电特征筛选，包含如下内容：首先，将提取的情绪脑电特征送入支持向量机分类器中进行单次实验情绪分类，然后，在基于支持向量机分类器进行时间迁移情绪脑电分类的迭代过程中，每次迭代去掉一维特征，以实现根据分类结果进行特征筛选，并根据分类准确率降低程度对所有情绪脑电特征进行排序，选取时间迁移分类中稳定情绪脑电特征。

7.根据权利要求1所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，区域标注根据支持向量机分类器分类用决策函数值绝对值之和的大小衡量无标签样本正确标注的置信度，通过设定阈值在相应区域内标注多个正确样本；并在下一个迭代过程中，针对支持向量机分类器预测标签和多分类区域内标注标签不一致情形，通过标签重置将标注标签重置为无标签样本。

8.根据权利要求1或7所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，针对多分类渐进直推式支持向量机分类器区域标注过程中，引入K近邻算法对标注样本进行筛选修正。

9.根据权利要求8所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，通过计算新标注样本与当前训练集中所有样本的距离，根据距离判决新标注样本类别，若判定该新标注样本类别与区域标注所标注的样本类别一致，则通过设定阈值筛选出K近邻范围内的正确标注样本。

10.一种基于脑电信号的时间迁移情绪识别系统，其特征在于，包含：数据预处理模块、数据筛选模块、模型构建模块和训练识别模块，其中，

数据预处理模块，用于针对目标对象，对其情绪图片的原始脑电信号进行分段，并提取预设时间段内情绪图片呈现的情绪脑电数据，对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；

数据筛选模块，用于将预处理后的脑电数据信号划分为多个频段，从时域、频域、时频域及脑电网络属性中提取该多个频段内的情绪脑电特征；针对提取的情绪脑电特征，通过支持向量机分类器进行情绪分类，从中挑选出稳定情绪脑电特征；

模型构建模块，用于构建用于通过迭代进行训练测试的多分类渐进直推式支持向量机分类器，该多分类渐进直推式支持向量机分类器包含多分类条件下的区域标注和标签重置过程，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；

训练识别模块，用于利用稳定情绪脑电特征对多分类渐进直推式支持向量机分类器训练学习；针对目标对象待分类的情绪脑电信号，利用训练学习后的多分类渐进直推式支持向量机分类器进行分类，以实现基于脑电信号的时间迁移情绪识别。