[发明专利]基于多尺度色散熵分析的脑电情感识别方法及系统

权利要求书

1.一种基于多尺度色散熵分析的脑电情感识别方法，其特征在于，包括：

S1：获取原始脑电信号，对所述原始脑电信号进行预处理，获得预处理后的脑电信号；所述预处理后的脑电信号包括：θ节律脑电信号、α节律脑电信号、β节律脑电信号和γ节律脑电信号；

S2：提取所述预处理后的脑电信号的多尺度色散熵；

S3：将所述多尺度色散熵输入训练好的轻量梯度提升树，获得情感分类。

2.根据权利要求1所述的基于多尺度色散熵分析的脑电情感识别方法，其特征在于，步骤S1具体为：

S11：对所述原始脑电信号进行带通滤波，获得带通滤波后的脑电信号；

S12：对所述带通滤波后的脑电信号进行陷波滤波，获得陷波滤波后的脑电信号；

S13：通过独立成分分析法，去除所述陷波滤波后的脑电信号中的心电、眼电、肌电和运动伪迹，获得去除伪迹后的脑电信号；

S14：将所述去除伪迹后的脑电信号输入四阶巴特沃斯滤波器，获得所述预处理后的脑电信号。

3.根据权利要求1所述的基于多尺度色散熵分析的脑电情感识别方法，其特征在于，步骤S2具体为：

S21：选取所述预处理后的脑电信号中的一种节律脑电信号，对所述节律脑电信号进行粗粒化处理，获得粗粒化后的节律脑电信号x_j(j＝1,2,...,N)；其中，j表示节律脑电信号的时间序列，N表示节律脑电信号的时间长度；

S22：对所述粗粒化后的节律脑电信号x_j进行映射，获得映射后的节律脑电信号Y^c，表示为：

其中，表示各时间序列对应的映射后的节律脑电信号，c表示映射类别数量；

S23：通过所述映射后的节律脑电信号Y^c，构建具有时间延迟参数t和嵌入维数s的时间序列表示为：

其中，s表示为时间序列的元素个数；

S24：获得所述时间序列对应的色散模式其中，

S25：计算所述色散模式的潜在相对概率

S26：根据香农熵理论，通过所述潜在相对概率计算获得该节律脑电信号的色散熵；

S27：重复步骤S21-S26共4次，获得所述多尺度色散熵，包括：θ节律脑电信号的色散熵、α节律脑电信号的色散熵、β节律脑电信号的色散熵和γ节律脑电信号的色散熵。

4.根据权利要求3所述的基于多尺度色散熵分析的脑电情感识别方法，其特征在于，步骤S21中所述粗粒化后的节律脑电信号x_j的表达式如下：

其中，u_b表示节律脑电信号，L表示节律脑电信号的长度，τ表示尺度因子。

5.根据权利要求3所述的基于多尺度色散熵分析的脑电情感识别方法，其特征在于，步骤S25中所述潜在相对概率的计算公式如下：

其中，#表示计算基数。

6.根据权利要求3所述的基于多尺度色散熵分析的脑电情感识别方法，其特征在于，步骤S26中所述节律脑电信号的色散熵的计算公式如下：

其中，c^s表示每个时间序列的可能的色散模式的数量，U表示节律脑电信号。

7.根据权利要求1所述的基于多尺度色散熵分析的脑电情感识别方法，其特征在于，步骤S3中所述训练好的轻量梯度提升树的训练过程为：

S31：获取轻量梯度提升树，将训练数据输入所述轻量梯度提升树；

S32：将所述轻量梯度提升树中决策树的层生长策略优化为叶子生长策略；

S33：通过直方图算法降低所述轻量梯度提升树运算时的存储空间消耗；

S34：通过单边梯度采样算法和互斥捆绑算法降低所述轻量梯度提升树运算时的数据运算量；

S35：优化所述轻量梯度提升树在分类过程中的运算开销和运算效率；

S36：通过贝叶斯优化方法选择所述轻量梯度提升树的最佳模型超参数，获得所述训练好的轻量梯度提升树。

8.一种基于多尺度色散熵分析的脑电情感识别系统，其特征在于，包括：

预处理模块，用于获取原始脑电信号，对所述原始脑电信号进行预处理，获得预处理后的脑电信号；所述预处理后的脑电信号包括：θ节律脑电信号、α节律脑电信号、β节律脑电信号和γ节律脑电信号；

多尺度色散熵提取模块，用于提取所述预处理后的脑电信号的多尺度色散熵；

情感分类模块，用于将所述多尺度色散熵输入训练好的轻量梯度提升树，获得情感分类。