[发明专利]一种基于CNN的情绪特征分类方法

权利要求书

1.一种基于CNN的情绪特征分类方法，其特征在于，该方法具体包括以下步骤：

步骤1.建立以Russell为代表的情绪维度模型，对评价指标按照要求的类别进行相应处理；具体为：

在以Russell情绪维度模型为参考时，每个情绪状态放置在一个二维平面上，唤醒度和愉悦度构成坐标轴两维；唤醒的范围从不活跃到活跃，而愉悦度的范围从不愉快到愉快；两种评价维度数值范围为1-9，数值越大则表示愉悦度跟唤醒度越高；

在DEAP数据集中，Labels表示受试者按照Russell情绪维度模型对当前情绪状态的评定，评定的数值范围为1-9，当分为两类情绪状态时，则将数值范围为[1-5)转化为编码0，将数值范围为(5-9]的转化为编码1，来表示两种情绪类别，得到CNN所需样本格式；

步骤2.根据情绪维度与大脑皮层相应区域的联系，选取四个电极位置的EEG信号特征，即DEAP实验装置中对应的F3，F4，P3，P4四个通道的数据，并对数据进行归一化处理；

步骤3.对数据集中的data高维数据进行PCA降维处理，将数据降到40维，用降维后的特征样本作为卷积神经网络的输入样本；

步骤4.将处理后的data和labels按照训练样本和测试样本10：1的比例进行分配，使用卷积神经网络对处理的样本进行分类测试。

2.根据权利要求1所述的一种基于CNN的情绪特征分类方法，其特征在于：所述的情绪维度与大脑皮层相应区域的联系，选取四个电极位置的依据为：额区即F3，F4通道的脑电功率随着情绪极性和情绪强度变化而不同，正性情绪功率相对大于负性情绪功率，唤醒度强的情绪的脑电功率相对小于唤醒度弱的情绪；顶枕区即P3，P4通道的脑电波功率也会随着情绪强度和极性的变化而变化，负性情绪中，唤醒度强的脑电波功率小于唤醒度弱的，而在高唤醒度情绪里，正性情绪脑电波强度明显大于负性情绪。

3.根据权利要求1所述的一种基于CNN的情绪特征分类方法，其特征在于：所述的步骤2中，进对数据进行归一化处理，具体为：

y_i＝(x_i-mean(x))/σ

其对原始数据的均值mean(x)和标准差(σ)进行数据的标准化，经过归一化处理后的数据符合标准正态分布，即均值为0，方差为1。

4.根据权利要求1所述的一种基于CNN的情绪特征分类方法，其特征在于：所述的步骤3中，对高维数据进行降维处理，选取主要特征，具体为:

PCA的公式表示为：PX＝Y；Y是X在新空间上的表示形式；P是一组正交基，是对原数据的转换矩阵；

其中X是原有的二维数据矩阵，而数据集样本data的格式是三维数据：40×40×8064，为实验次数×通道数×数据点，这里需要提取出二维矩阵进行降维，即对二维矩阵X：8064×40进行降维；

利用PCA求出转换矩阵P，m行，8064列；并根据P求得到低维特征表示Y，m行40列；通过选择前m个主成分作为特征，达到降维的目的；

选前m个主成分使其贡献率之和达到90％以上，这里m取40；即实验数据从8064维降到40维，最后得到Y’：40×40作为卷积神经网络的输入2D阵列图像；那么有22×40共880次实验作为卷积神经网络的输入数据，其中22为试验者数量，40为试验次数。

5.根据权利要求1所述的一种基于CNN的情绪特征分类方法，其特征在于：使用卷积神经网络对分配好的样本进行分类测试，具体步骤为：

4-1.参照MNIST数据集格式，将标签化的labels和降维后的data分别划分为训练样本跟测试样本，比例均为10：1，样本数据以40*40的2D阵列图像的形式作为卷积神经网络的输入；

4-2.C1层是一个卷积层，有100个滤波器，每个滤波器有5*5＝25个unit参数和一个bias参数，这样每个特征图大小为36*36；

4-3.S2层是一个下采样层，有100个18*18的特征图；特征图中的每个单元与C1中相对应特征图的2*2邻域相连接；S2层每个单元的4个输入相加，乘以一个可训练参数，再加上一个可训练偏置；每个单元的2*2感受野并不重叠，因此S2中每个特征图的大小是C1中特征图大小的1/4，其中行跟列各1/2；

4-4.C3层也是一个卷积层，它同样通过5x5的卷积核去卷积层S2，然后得到的特征map就只有14x14个神经元，C3中每个特征图由S2中所有特征map组合而成；

4-5.S4层是一个下采样层，由5*5大小的特征图构成；特征图中的每个单元与C3中相应特征图的2*2邻域相连接，跟C1和S2之间的连接一样；

4-6.C5层是一个卷积层，每个单元与S4层的全部单元的5*5邻域相连；由于S4层特征图的大小也为5*5，这构成了S4和C5之间的全连接；

4-7.最后，最终连接的密集神经层的输出维数为2，每类一个单元，按照类别设置输出单元个数，即分类类别取决于输出神经元的数量。