[发明专利]一种融合先验与自动脑电特征的情绪识别方法及系统

说明书

本发明公开了一种融合先验与自动脑电特征的情绪识别方法及系统，该方法首先从原始脑电信号中提取与情绪相关的不同频率的差分熵特征，然后将其映射为差分熵矩阵并拼接为空频特征矩阵后作为数学驱动的先验情绪特征；同时通过缩放卷积层自动提取原始脑电信号中的时频域信息作为数据驱动的自动脑电情绪特征；再将先验情绪特征与自动脑电情绪特征进行变换后拼接，再进行融合，提取其高阶语义特征，最后送入柔性最大值激活函数对情绪进行识别分类。本发明提供了一种能结合先验知识与数据驱动、可同时建模时空频域信息、提高情绪识别的智能与普适性的情绪识别的方法。

技术领域

本发明属于生物信息识别技术领域，具体涉及一种融合先验与自动脑电特征的情绪识别方法及系统。

背景技术

如何从脑活动数据中发现具有生物学意义的知识及规律并加以利用,正成为当今生物信息识别领域理论与实践研究的难点与热点。基于脑电信号的情绪识别及其脑机制的关联研究，已经成为神经工程和人工智能领域的热门课题。近年来,机器学习技术的进步为基于脑电信号的情绪识别研究提供了可用的技术方法。机器学习的各种应用中，手工设计的特征仍处于主导地位，它主要依靠的是设计者的先验知识，传统的手工特征较好地利用了先验知识，但也会损失原始脑电信号中的其他信息，难以充分地利用数据提供的各种信息，并且手工特征的设计依赖于强假设性，导致其可移植性不强。深度学习可以从数据中自动学习特征的表示，但是这种方法提取的特征类型单一，并且缺少先验知识。

发明内容

针对现有技术中的缺陷和不足，本发明提供了一种融合先验与自动脑电特征的情绪识别方法及系统，该方法能改善脑电情绪识别过程中缺乏先验脑电情绪知识、强假设性和保留的任务相关特征不鲁棒的问题。

为达到上述目的，本发明采取如下的技术方案：

一种融合先验与自动脑电特征的情绪识别方法，该方法首先从原始脑电信号中提取与情绪相关的不同频率的差分熵特征，将其映射为差分熵矩阵，然后将不同频带的差分熵矩阵拼接为空频特征矩阵作为数学驱动的先验情绪特征；同时通过缩放卷积层自动提取原始脑电信号中的时频域信息作为数据驱动的自动脑电情绪特征；将数学驱动的先验情绪特征与数据驱动的自动脑电情绪特征进行变换后拼接，再进行融合，提取其高阶语义特征，最后送入柔性最大值激活函数对情绪进行识别分类。

本发明还包括如下技术特征：

具体的，该方法包括以下步骤：

步骤一，构建先验情绪特征：

从原始脑电信号中提取与情绪相关的不同频率的差分熵特征，依据电极空间位置将其映射为差分熵矩阵，然后将不同频带的差分熵矩阵拼接为空频特征矩阵，将其作为数学驱动的先验情绪特征；

步骤二，构建自动脑电情绪特征：

将原始的脑电信号逐通道送入独立的缩放卷积层，所有通道的输出结果拼接为一个三维张量作为以数据驱动的自动脑电情绪特征；

步骤三，特征融合：

对步骤一和步骤二所得到的先验情绪特征和自动脑电情绪特征进行特征变换，分别得到数学驱动的先验情绪特征向量和数据驱动的自动脑电情绪特征向量；将先验情绪特征向量和脑电情绪特征向量进行深度融合，提取高阶语义特征；

步骤四，分类识别：

将步骤三提取到的高阶语义特征送入柔性最大值激活函数对情绪进行识别分类。

具体的，所述步骤一包括如下步骤：

步骤1.1，利用傅里叶变换逐通道将原始脑电信号划分为(4-7Hz)、(8-15Hz)、(16-32Hz)和(33-45Hz)四个频段；

步骤1.2，逐通道计算步骤1.1中四个频段上的功率谱密度；