[发明专利]基于多域自适应图卷积神经网络的情感脑电特征表示方法

权利要求书

1.一种基于多域自适应图卷积神经网络的脑电特征识别方法，其特征在于，通过对脑电数据集进行特征类别的标记，再将其中的脑电数据通过时域和频域预处理和特征提取后将两个域特征训练多域自适应图卷积网络，最后采用训练后的训练多域自适应图卷积网络进行在线特征识别；

所述的时域和频域预处理和特征提取具体包括：依次进行的时域预处理、时域特征提取、时域预处理和频域特征提取；

所述的频域预处理是指：对采集到的脑电数据进行基线校正、去除伪迹处理，对脑电信号进行滤波处理；

所述的时域特征提取是指：提取时域信号模式相关功能脑连接A^Te，具体步骤包括：

1)对于每个样本，在每个频段下，计算各通道时长S秒的脑电信号间的皮尔森相关系数，将所述得到的每个样本每个频段下成对的脑电信号之间的联系用一个V×V的对称的连接矩阵A来表示，矩阵中的元素表示两两通道的脑电信号之间的连接权重，即为脑功能连接网络中边的信息，最后得到功能连接矩阵其中N是预处理后的样本个数，F代表5个频段，V×V是根据皮尔森相关系数计算得到的时域连接矩阵的维度；

2)将训练集中所有被试的样本一起用来选择与信号模式识别相关的功能脑连接，L为信号模式类别集合，在每个频段f∈F上，对于每类信号模式l∈L，将训练集中的全部功能连接矩阵对所有样本以及所有被试进行平均化，即将所有标签为l的连接矩阵进行平均，其表达形式为：其中表示第i个样本在f频段上对应的连接矩阵，yⁱ表示第i个样本对应的信号模式类别；

3)将矩阵的右上角元素按照连接权重的绝对值从大到小进行排序；

4)将所述得到的F*L个平均的脑网络采用一个相同的比例阈值t，来保留最强的连接，得到每类信号模式下的关键连接：

5)将L个信号模式类别的平均脑网络中保留的关键连接进行合并，其表达形式为：

6)将F个频段平均脑网络中保留的关键连接进行合并，其表达形式为：A_critical＝union_f∈F(A^f)；

7)对上述得到的关键连接进行归一化，计算时域信号模式相关功能脑连接A^Te＝normalizing(A_critical)。

2.根据权利要求1所述的基于多域自适应图卷积神经网络的脑电特征识别方法，其特征是，所述的时域预处理是指：对采集到的脑电数据进行基线校正、去除伪迹处理，对脑电信号进行滤波处理，将脑电信号通过滤波器划分为5个频段；然后将脑电信号按照S秒无重叠的时间窗进行分割，由此得到的每个样本，可以由5个时长S秒的V导脑电片段组成，分别对应5个频段。

3.根据权利要求1所述的基于多域自适应图卷积神经网络的脑电特征识别方法，其特征是，所述的频域特征提取是指，将脑电信号通过短时间傅里叶变换划分到5个频段，提取每个频段微分熵频域特征，为获取脑电时间序列，将所提取的频域特征用时间窗口T转换成

4.根据权利要求1所述的基于多域自适应图卷积神经网络的脑电特征识别方法，其特征是，所述的多域自适应图卷积网络包括：多个多域自适应图卷积块、全局平均池化层、softmax层，其中：多域自适应图卷积块融合脑电时域和频域特征，提取与信号模式识别相关的特征，池化层对最后一层的图卷积块的输出特征进行全局平均池化，softmax层对池化后输出的特征进行分类，得到信号模式类别。

5.根据权利要求1所述的基于多域自适应图卷积神经网络的脑电特征识别方法，其特征是，所述的在线特征识别，具体包括：

步骤1)在多域自适应图卷积网络中，将频域特征设置为第一个图卷积块的输入：

步骤2)第b个图卷积块为Block^b，对于每一个b∈B，

步骤3)对最后一层的图卷积块的输出进行全局平均池化：

步骤4)输入softmax层对类别进行分类：Y_pre＝softmax(f_g)；

步骤5)模型学到的频域与信号模式相关的脑功能连接为：

对于每一个多域图卷积块Block^b，由空间图卷积层和时间卷积层组成。