[发明专利]一种基于多层感知机的情绪分类方法

说明书

本发明涉及了一种基于多层感知机的情绪分类方法，首先通过将原始的脑电信号进行噪声的滤除，然后提取特征向量，之后通过多层感知机利用所得信号对分类模型进行训练并将训练模型保存，最后通过该模型进行情绪的分类。本发明的创新之处在于：训练模型可作为预训练模型，再次输入网络中，从而在数据更新时，可利用新的数据实时调整模型，而无需将所有数据重新输入网络中进行训练，从而实现在已有模型上不断优化模型准确性，即实现模型实时学习的目的。这种终身学习的模型对于提高模型的适应性和准确率具有重要意义。

技术领域

本发明涉及一种基于脑电信号的情绪分类方法，属于数字信号处理技术领域。

背景技术

脑电信号，是脑神经细胞生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，而随着脑-计算机接口(BCI)技术的发展，脑电信号于医疗、工程领域的应用也愈加广泛。目前，基于脑电信号的情绪分析方法受到高度关注。

近年来，国内外不少相关研究已证明了通过脑电图进行情绪识别的可行性。FengLiu等人提出了一种基于样本熵的情绪识别方法、Calibo等人应用能量特征并结合神经网络对情绪进行识别。在前人的研究中，情绪的分类已被实现。然而，上述方法虽然在各自特定的实验中都表现出一定的准确性，但也存在明显不足：如分类准确度低，且模型无法迁移学习、终身学习，即无法对已存在的模型进行进一步的训练，无法随数据的获取实时调整模型，无法实现对模型的持续优化。

发明内容

本发明的目的在于：针对现有技术存在的缺陷，提供一种基于多层感知机的情绪分类方法，通过模型的优化，提高分类的准确率。

为达到以下目的，本发明采用的技术方案如下：

一种基于多层感知机的情绪分类方法，其关键在于包括以下步骤：

步骤1：对采集的脑电信号进行去噪；

步骤2：对该信号进行傅立叶变换，转化为频域的分析；

步骤3：特征提取，计算脑电信号的五个重要频带的微分熵、功率谱密度等值；

步骤4：将特征值输入多层感知机中训练分类模型。

步骤5：将训练所得模型加载入分类算法中，从而实现情绪的实时分类，同时当获取到新的数据时，原本训练所得模型可作为预训练模型与新获取的数据一起，进行进一步的训练，从而在数据更新时，可利用新的数据提升分类模型的性能，从而达到在已有模型上通过获取的数据实时调整模型，不断优化模型准确性的目的。

进一步的技术方案是，所述脑电信号为分别采集左右半球前额区的信号。且特征提取过程中考虑到左右脑在产生情绪时脑电信号的非对称性，提取出脑电信号的不对称熵特征，并将此特征值也输入到神经网络中。

所述步骤2中，利用公式：

将基于时域的信号分析与处理转化为频域的分析。

进一步的，所述步骤3中，特征值为利用傅立叶变换处理所得后信号提取所得的各个频段的微分熵值、功率谱密度值。

进一步的，所述步骤3的具体步骤为：

对于五个重要频带的微分熵，利用以下推导得到的公式进行计算：

用平均信息量表示一个信源X_i的信息量，将取值的范围大致划分为宽度为Δ的小部分，由均值定理可知，每部分总存在一个x_i使下面等式成立：

将每个在i部分的点赋给x_i，代入离散变量的香农熵公式中：