[发明专利]基于多核宽度学习脑电情绪分类方法、装置、介质及设备有效
申请号: | 202110290152.X | 申请日: | 2021-03-18 |
公开(公告)号: | CN113011493B | 公开(公告)日: | 2023-03-21 |
发明(设计)人: | 康雪艳;晋建秀;张通;陈俊龙;刘竹琳 | 申请(专利权)人: | 华南理工大学 |
主分类号: | G06F18/241 | 分类号: | G06F18/241;G06F18/213;G06F18/25;G06N3/0464;G06N3/048;G06N3/08;A61B5/00;A61B5/372;A61B5/16 |
代理公司: | 广州市华学知识产权代理有限公司 44245 | 代理人: | 霍健兰 |
地址: | 510640 广*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 多核 宽度 学习 情绪 分类 方法 装置 介质 设备 | ||
1.一种基于多核宽度学习脑电情绪分类方法,其特征在于:包括如下步骤:
获取被试者的脑电信号,并对脑电信号进行预处理;
对预处理的脑电信号采用卷积神经网络进行特征提取,得到一维空间向量V;
将一维空间向量V输入到多核宽度学习系统中,得到脑电信号的情绪类型;多核宽度学习系统的运行方法,包括如下分步骤:
S1、将输入的一维空间向量V随机映射到特征节点Z1,Z2,…,Zn,得到映射特征:
其中,和是随机生成的;是线性特征映射函数;F(V)=[F1,F2,…,FM]是所有M个内核函数的近似多核特征;Fl的求法如下:
其中fl(vi)是第l组核函数中的一个核函数的傅里叶近似,d维近似表示如下:
其中,权重从给定的概率密度p(w)获得,bj,l从给定的均匀分布U[0,2π]中得出;
S2、设定所有的特征节点为Zn=[Z1Z2…Zn],将特征节点随机映射到增强节点H1,H2,…,Hm,则增强节点Hj为:
其中和是随机生成的,ζ是非线性映射函数;
S3、设定所有的增强节点为Hm=[H1H2…Hm];根据所有的特征节点Zn和所有的增强节点Hm,计算多核宽度学习系统的输出Y:
其中,Wm=[Zn|Hm]+Y为需要求解的连接权重;其中伪逆[Zn|Hm]+根据岭回归近似算出:
I表示单位向量矩阵,λ为超参数;
根据多核宽度学习系统的输出Y,得到脑电信号对应的情绪类型;
对脑电信号进行预处理后,每个数据段均是具有固定长度的4D EEG数据,表示如下:
Sj={fj1,fj2,fj3,fj4}
其中,fjt是数据帧;t=1,2,3,4;
所述的对预处理的脑电信号采用卷积神经网络进行特征提取,得到一维空间向量V,是指:将每个4D EEG数据输入到卷积神经网络中,通过卷积神经网络从每段信号中提取频率和空间信息,获得一维空间向量V;
卷积神经网络的前三个卷积层的卷积内核大小均是4×4,三个卷积层的特征图数量分别为64、128和256;第四卷积层的特征图数量是64,卷积核大小为1×1,用于融合前一个卷积层的特征图;在每个卷积层中使用零填充;卷积神经网络中不使用池化层,激活函数使用ReLu;第四卷积层的输出被展平并输入到512个单元的全连接层。
2.根据权利要求1所述的基于多核宽度学习脑电情绪分类方法,其特征在于:所述步骤S1中,fl(vi)是第l组核函数中的一个核函数的傅里叶近似,是指:fl(vi)是第l组核函数中的高斯核函数或拉普拉斯核函数或幂指数核函数的傅里叶近似。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华南理工大学,未经华南理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110290152.X/1.html,转载请声明来源钻瓜专利网。