[发明专利]基于注意力机制的脑电信号情感判别方法及装置

权利要求书

1.一种基于注意力机制的脑电信号情感判别方法，其特征在于该方法包括：

(1)获取用户处于不同情感时的原始脑电信号，所述原始脑电信号通过脑电采集设备的多个信号采集电极分布于用户的脑部不同位置进行采集得到；

(2)将原始脑电信号去噪后通过带通滤波获取多个频段信号，并提取每个频段信号上的过零计数特征作为脑电特征；

(3)构建全局特征提取模型，所述模型包括特征提取分支和注意力向量生成分支和全局特征生成单元，所述特征提取分支用于采用两层图卷积对所述脑电特征进行图滤波，得到初级特征，所述注意力向量生成分支用于采用一层图卷积对所述脑电特征处理后再转换为一维注意力列向量，所述全局特征生成单元用于将所述注意力列向量扩充为以向量中元素为对角元素的对角矩阵，并与初级特征点乘得到全局特征；其中，所述图卷积根据脑电采集设备的信号采集电极的邻接关联图生成；

其中，所述图卷积具体构建方法为：

根据脑电采集设备的信号采集电极的邻接关系生成邻接关联图G＝{V,A}，其中，V表示脑电采集设备的信号采集电极的集合，A表示信号采集电极的邻接矩阵，其元素a_ij表示信号采集电极i与信号采集电极j的联系紧密程度，取值区间为[0,n]，值越大表示联系程度越紧密，值为0表示无联系，n为大于等于1的整数；

计算矩阵A的拉普拉斯矩阵L：L＝D-A，其中D是以d_ii＝∑a_ij为对角元素的对角矩阵；

构建图卷积，具体为：采用以L为参数的滤波器g(L)，对输入信号x提取频域特征，之后再采用Relu激活函数进行输出，得到图卷积输出结果y＝Relu(g(L)x)；

(4)构建带有全连接层的长短时记忆网络LSTM，采用全局特征作为网络输入进行训练，训练时采用的损失函数为：全局特征对应的实际情感类别和网络输出的情感类别的交叉熵，加上注意力向量正则项的函数；

(5)按照步骤(1)-(3)提取待识别脑电信号的全局特征，并输入到训练好的带有全连接层的长短时记忆网络，输出为每个情感类别对应的概率值，选取概率最大的情感类别作为预测的情感类型。

2.根据权利要求1所述的基于注意力机制的脑电信号情感判别方法，其特征在于：所述采用以L为参数的滤波器函数g(L)，对输入信号x提取频域特征时，使用切比雪夫多项式对g(L)做近似计算，具体为：g(L)＝∑Θ_kT_k(L)，式中T_k(L)＝2LT_k-1(L)-T_k-2(L)，T₀(L)＝I,T₁(L)＝L，I表示单位矩阵，Θ_k表示切比雪夫多项式系数，Θ_k为可训练参数。

3.根据权利要求1所述的基于注意力机制的脑电信号情感判别方法，其特征在于：所述注意力向量生成分支在采用一层图卷积将所述脑电特征转换为一维注意力列向量后，还将一维注意力列向量中的元素采用softmax进行归一化，归一化后注意力列向量中的元素为

式中，表示归一化后注意力列向量中第i个元素，τ_i,τ_j表示归一化前注意力列向量中第i和第j个元素，N为注意力列向量元素总个数。