[发明专利]一种基于攻击性行为预测的脑电负性情绪识别方法及系统

权利要求书

1.一种基于攻击性行为预测的脑电负性情绪识别方法，其特征在于，包括：

获取样本数据；所述样本数据包括多个数据组；每个所述数据组包含有采用多种负性情绪刺激模式分别对同一性别同一年龄的健康被试者进行刺激而产生的脑电信号，以及每个所述脑电信号对应的负性情绪刺激模式，且不同所述数据组对应健康被试者的年龄或者性别不同；

对所述样本数据中的脑电信号进行预处理；

对预处理后的样本数据进行特征提取，获取初始情绪样本特征向量；

基于所述初始情绪样本特征向量以及所述初始情绪样本特征对应的负性情绪刺激模式，训练深度神经网络，得到训练好的深度神经网络模型，并将所述训练好的深度神经网络模型的中间层特征确定为优化样本特征向量；

根据所述优化样本特征向量和所述初始情绪样本特征向量，训练分类器，确定负性情绪识别分类模型；

获取被试者的脑电信号并处理；

根据被试者处理后的脑电信号以及所述负性情绪识别分类模型，识别被试者的负性情绪。

2.根据权利要求1所述的一种基于攻击性行为预测的脑电负性情绪识别方法，其特征在于，所述对所述样本数据中的脑电信号进行预处理，具体包括：

采用独立分量分析算法和原始数据波形特征对所述脑电信号进行去噪处理，得到预处理后的样本数据。

3.根据权利要求1所述的一种基于攻击性行为预测的脑电负性情绪识别方法，其特征在于，所述对预处理后的样本数据进行特征提取，获取初始情绪样本特征向量，具体包括：

对于每个数据组，根据首个负性情绪刺激模式刺激的时间点，依次提取所述数据组中各个负性情绪刺激模式下的预处理后的脑电信号，并组成epoch集合；

将所述epoch集合的功率谱锁时于同一负性情绪刺激模式中，按频率计算，得到事件相关扰动的二维时频图谱；

对所述二维时频图谱进行特征分析，结合单因素方差分析算法判断得出频率范围和脑区分布；

根据所述频率范围和所述脑区分布，提取PSD值，并将所述PSD值组成高维特征向量作为初始情绪样本特征向量。

4.根据权利要求1所述的一种基于攻击性行为预测的脑电负性情绪识别方法，其特征在于，所述训练好的深度神经网络模型的网络输入层和最后一个隐含层的节点为Gaussian型节点，其他隐含层的节点为Bernoulli型节点，输出层的节点为Softmax型节点。

5.根据权利要求1所述的一种基于攻击性行为预测的脑电负性情绪识别方法，其特征在于，所述根据所述优化样本特征向量和所述初始情绪样本特征向量，训练分类器，确定负性情绪识别分类模型，具体包括：

根据所述优化样本特征向量和所述初始情绪样本特征向量，训练分类器，确定多个初始负性情绪识别分类模型；

通过交叉验证算法，以最小交叉验证错误率为标准对所述初始负性情绪识别分类模型进行筛选，确定最终的负性情绪识别分类模型。

6.一种基于攻击性行为预测的脑电负性情绪识别系统，其特征在于，包括：

样本数据获取模块，用于获取样本数据；所述样本数据包括多个数据组；每个所述数据组包含有采用多种负性情绪刺激模式分别对同一性别同一年龄的健康被试者进行刺激而产生的脑电信号，以及每个所述脑电信号对应的负性情绪刺激模式，且不同所述数据组对应健康被试者的年龄或者性别不同；

预处理模块，用于对所述样本数据中的脑电信号进行预处理；

初始情绪样本特征向量获取模块，用于对预处理后的样本数据进行特征提取，获取初始情绪样本特征向量；

优化样本特征向量确定模块，用于基于所述初始情绪样本特征向量以及所述初始情绪样本特征对应的负性情绪刺激模式，训练深度神经网络，得到训练好的深度神经网络模型，并将所述训练好的深度神经网络模型的中间层特征确定为优化样本特征向量；

负性情绪识别分类模型确定模块，用于根据所述优化样本特征向量和所述初始情绪样本特征向量，训练分类器，确定负性情绪识别分类模型；

脑电信号获取处理模块，用于获取被试者的脑电信号并处理；

负性情绪识别模块，用于根据被试者处理后的脑电信号以及所述负性情绪识别分类模型，识别被试者的负性情绪。