[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

说明书

本发明提供了一种基于多核宽度学习脑电情绪分类方法、装置、介质及设备；其中方法包括如下步骤：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；将一维空间特征V输入到多核宽度学习系统中，得到脑电信号的情绪类型。该方法整合了卷积神经网络和多核宽度学习系统的优点，多核函数映射可以在组合空间中更准确、更合理地表达脑电信号特征数据，从而提高了分类精度。

技术领域

本发明涉及情绪识别技术领域，更具体地说，涉及一种基于多核宽度学习脑电情绪分类模型。

背景技术

情感是一种结合了情感、思想和行为的复杂的状态，是人们对内部或外部刺激的心理生理反应。情感计算有着广泛地应用。根据研究，情绪的产生或活动与大脑皮层的活动密切相关，而脑电能反映大脑的各种电活动和大脑的功能状态，因此可以反映人类情绪状态。现有的情绪识别方法虽然已经取得了很好的效果，但仍有需要改进的地方。如何建立更有效的情绪识别计算模型仍然是情绪识别领域存在的技术难题。

此外。通过脑电信号来识别情绪的确能够减少大量的人为干扰问题，具有重大的研宄意义，但是同时也带来了许多问题。脑电信号具有动态性、非平稳性、噪声干扰大等特点，与其他外部特征相比，脑电信号更加复杂，包含的信息量更大，除了脑电信号之外，还会同时采集到眼电、肌电等其他干扰信号。因此如何从脑电信号中提取易于识别的情绪特征是研究的一个难点。传统机器学习算法已经广泛应用于脑电情绪识别，并且取得的一定的进展。而这类方法的不足之处在于，研究人员必须付出大量努力才能从起源噪声信号中发现和设计各种与情绪相关的特征。

发明内容

为克服现有技术中的缺点与不足，本发明的目的在于提供一种基于多核宽度学习脑电情绪分类方法、装置、介质及设备；本发明整合了卷积神经网络和多核宽度学习系统的优点，多核函数映射可以在组合空间中更准确、更合理地表达脑电信号特征数据，从而提高了分类精度。

为了达到上述目的，本发明通过下述技术方案予以实现：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，...，Z_n，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，...，F_M]是所有M个内核函数的近似多核特征；F_l的求法如下：

其中f_l(v_i)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，b_j，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...Z_n]，将特征节点随机映射到增强节点H₁，H₂，...，H_m，则增强节点H_j为：

其中和是随机生成的，ζ是非线性映射函数；