[发明专利]一种基于CNN的情绪特征分类方法

说明书

本发明涉及一种基于CNN的情绪特征分类方法。首先以Russell情绪维度模型为基准，探索了不同脑区受情绪极性与强度的影响，采用DEAP数据集作为情绪研究的样本，再进行特征通道的选择，然后通过特征归一化以及数据降维提取主要特征，我们的主要分类模型使用卷积神经网络来有效地对以2D阵列形式呈现的预处理EEG数据进行分类。本次研究提供了可观的分类精度，比以往的研究有了特征提取上的改进，更重要的是证明了神经网络可以作为强有力的脑电信号分类器，优于传统的学习技术。

技术领域

本发明涉及情绪脑电特征分类方法，特别涉及一种将情绪脑电特征优化后使用CNN进行分类的方法。

背景技术

本文着重利用神经网络模型，通过音乐短片刺激材料诱导受试者的情绪，从脑电图信号中对用户情绪进行分类研究，并特别探索卷积神经网络，使用先进的机器学习技术用于情绪分类。神经网络是一种用来模拟大脑执行特定任务的方式的机器，其中模拟了大脑作为复杂、非线性和并行计算机的一种理念，具有根据多种因素模拟和评估复杂功能的能力。此外，机器学习的最新发展表明，神经网络在各种不同的任务中提供了相当的准确性，如文本分析、图像识别、语音分析等，因此将其用于情绪分类识别不乏为一种新的尝试。

卷积神经网络(CNN)是图像分类任务的非常有效的模型。对于这样的模型，本研究尝试将DEAP数据转换成2D图像格式，这样CNN模型就可以学习如何有效地对它们进行分类。

发明内容

本发明以Russell情绪维度模型为基准，探索了不同脑区受情绪极性与强度的影响，采用DEAP数据集作为情绪研究的样本，再进行特征通道的选择，再通过特征归一化以及数据降维提取主要特征，我们的主要分类模型使用卷积神经网络来有效地对以2D阵列形式呈现的预处理EEG数据进行分类。本次研究提供了可观的分类精度，比以往的研究有了特征提取上的改进，更重要的是证明了神经网络可以作为强有力的脑电信号分类模型，优于传统的学习技术。

本发明的目的可以通过以下技术方案实现：

本发明将脑电特征优化后使用CNN进行分类，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，对数据集中的评价指标labels按照要求的类别进行标签化处理。

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。

所述的步骤1中，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。

所述的步骤2中，进行特征通道的选择和数据归一化处理，具体步骤为：