[发明专利]基于多通道脑电数据的积极情绪多标签分类方法及装置

权利要求书

1.一种基于多通道脑电数据的积极情绪多标签分类方法，其步骤包括：

1)利用切分窗格的形式，使用大小为n秒的窗格得到脑电数据的时-频域特征，其中n≥1；

2)将所述时-频域特征输入积极情绪多标签分类模型，得到脑电数据的积极情绪多标签分类结果，包括：

将所述时-频域特征作为双向长短时记忆网络的输入，学习脑电时间维度上的关联关系，输出长短时记忆网络的隐层特征向量；

将所述隐层特征向量作为基于注意力层的输入，学习时间序列上显著的脑电特征，得到脑电特征表示r；

对若干个代表情绪类别的积极情绪词进行编码，并将编码得到的情绪词特征作为图卷积神经网络的各节点输入，得到图网络结构的第一层输入E⁰；

统计数据集中所有情绪类别出现的频率及各积极情绪词之间的共现频率，对得到的数据集情绪类别的共现矩阵进行二值化处理，得到二值关联矩阵A，并通过设定阈值p对二值关联矩阵A的元素值进行调整，得到邻接矩阵A′；

基于所述输入E⁰与邻接矩阵A′，构建图卷积网络；

将所述脑电特征表示r与所述图卷积网络输出的积极情绪相互依存的分类器W点乘，得到点乘结果

利用sigmoid函数处理点乘结果得到每一种情绪类别的概率值

使用softmax函数处理点乘结果得到九种情绪类别相应的概率分布

根据所述概率值与概率分布得到脑电数据的积极情绪多标签分类结果。

2.如权利要求1所述的方法，其特征在于，提取时-频域特征的方法包括：短时傅里叶变换、小波变换或小波包变换。

3.如权利要求1所述的方法，其特征在于，所述频域特征包括功率特征、功率谱密度特征、事件相关同步化特征、事件相关去同步化特征、高阶谱特征或微分熵特征中的一种或多种。

4.如权利要求1所述的方法，其特征在于，对积极情绪词进行编码的方法包括：采用预训练好的GloVe词嵌入工具。

5.如权利要求1所述的方法，其特征在于，利用一积极情绪多标签分类模型实现步骤2)，其中积极情绪多标签分类模型采用端到端的训练，积极情绪多标签分类模型的损失函数λ表示平衡参数，积极情绪多标签分类损失多标签积极情绪分布损失c表示情绪类别，σ(·)表示sigmoid函数，表示第i个样本的标签预测，yⁱ表示第i个样本的真实标签，表示softmax 函数，表示第i个样本在各种积极情绪类别的概率分布。

6.一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1-5中任一所述方法。

7.一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行如权利要求1-5中任一所述方法。