[发明专利]一种基于深度学习的心电信号情绪识别方法

说明书

技术领域

本发明涉及生物医学和深度学习领域，特别涉及一种基于深度学习的心电信号情绪识别方法。

背景技术

情绪，是对一系列主观认知经验的通称，是多种感觉、思想和行为综合产生的心理和生理状态。情绪在我们的生活中有着重要的用途，它是人与人之间的交流中起着重要的作用。随着人工智能的飞速发展，为了让机器更好的为人类服务，需要让机器能够读懂人的情绪，在人与机器之间架起一道桥梁。在现实生活中，情绪识别已经广泛的应用于教育、医疗、商业等众多领域。

情绪识别的方法主要分为两大类：基于非生理信号的识别和基于生理信号的识别。基于非生理信号的识别主要包括面部表情识别、语音语调识别和身体姿态识别等。基于非生理信号的识别缺点是可以通过刻意的隐藏干扰识别，从而降低识别的准确度。基于生理信号的识别则指对脑电、肌电、心电、皮肤阻抗、心率和呼吸信号等的监测来获得情绪状态，优点是能够真实反映被测试者的情绪状态，可信度高。研究发现愤怒、恐惧时人的心跳最快、高兴时次之，当悲伤和惊奇时心率减慢，在厌恶时心率达到最低点。心率变异率(HRV)也是反映心情的一个指标。当心率变异率较低时表明是放松状态。反之，当心率变异率较高则表明精神紧张或受到挫折。

但是，由于心电信号比较微弱并且受众多因素的干扰，对心电信号的处理较为复杂。此外，由于诱发情绪的因素很多，心电信号可能表现出不同的特征。由于以上的一些局限性，使得准确的情绪识别较为困难。

发明内容

本发明申请提供一种基于深度学习的的心电信号情绪识别方法，通过对各种情绪下的心电信号的学习，从而提取更有效的特征来提高多种情绪下的心电信号的识别率。相比于传统的手工设计特征，本方法通过深度学习使得学习得到的特征更加鲁棒，具有更好的泛化能力。技术方案如下：

一种基于深度学习的心电信号情绪识别方法，包含如下步骤:

1)数据收集阶段:在各种情绪图片诱发条件下，通过胸部或者腕部，采集被试者在不同情绪下的心电数据，将采集得到的心电数据分割成固定长度的心电信号，并且为不同情绪下得到的心电数据制作相应的标签；

2)数据预处理阶段:对采集到的心电数据进行预处理，首先进行基于小波变换的基线漂移去除，之后进行噪声去除，噪声去除采用采用基于非抽样小波的多阈值去噪方法。

3)数据标准化，对去噪后的心电数据进行归一化处理，并将数据集分为训练集和验证集

4)模型训练阶段:设置卷积神经网络的结构，利用训练集的数据进行模型的训练，方法如下：

A.设置卷积神经网络的结构，共包含6个卷积层，每个卷积层后面是批归一化层，批归一化层后面的激活函数采用的是修正线性单元ReLU激活函数，前三个卷积单元后添加最大池化层，最大池化层采用的是3×1模板，步长为2×1。前两个卷积层卷积核大小都为5×1，第三、四、五层的卷积层卷积核大小都为3×1，最后一个卷积层卷积核大小都为8×1，最后一个卷积层的卷积通道数为4，即情绪类别个数。其它卷积层的通道数为32。

B.对卷积滤波器权重的参数进行初始化:方差为0.01，标准差为0，迭代的次数为80次。冲量大小为0.9，学习率为0.1；

C.前向计算；根据输入数据和初始化后的滤波器权重，进行卷积计算。再对卷积后得到的特征图进行批归一化处理。再利用修正线性单元ReLU激活函数对批归一化后的数据进行非线性映射；如果有最大池化层，则进行池化处理，通过多次上述操作，得到最终的特征图，将最终的特征图作为输入数据，输入到Softmax分类器中得到最终的情绪识别结果；

D.反向传播：根据前向计算分类的结果和标签，计算损失，并从最后一层到第一层，应用反向传播算法对卷积滤波器的权重参数的进行更新、优化，通过权重参数的学习、更新，使得训练误差不断降低，达到模型优化的目的；

E.重复步骤B和步骤C，通过迭代来不断优化网络参数，直到达到终止条件。

F.确定模型:根据网络训练结果，根据验证集数据的测试结果，选择其中验证集错误率最低的模型为最优模型，并将其确定为最终的使用模型。

本发明具有以下三点有益效果：

1、相比于传统的方法的手工设计特征，深度学习能够学习得到更好的特征，更好的表达能力。

2、所采用的深度学习方法学习能力较强，扩展性更好，很容易迁移到相关的应用领域。

3、本方法随着训练数据量的增加，可以取得更好的识别结果。

附图说明

图1本发明技术流程图

图2实验所用的卷积神经网络结构示意图