[发明专利]一种基于CNN的情绪脑电分类方法

说明书

本发明公开了一种基于CNN的情绪脑电分类方法。本发明采用连续情绪维度模型中的Russell情绪维度模型为基准，使用DEAP数据集作为样本，对其中的情绪脑电进行基线移除，再进行数据归一化，提取脑电三个频带的皮尔逊系数，将其转换2D图片格式，以实验为单位通过SBS筛选有价值用来情绪脑电分类的实验，并将筛选后的实验数据输入CWAGAN‑GP进行数据增强以此补充训练集，再以帧的形式输入集成卷积神经网络。该方法可以有效地对情绪脑电信号进行分类，提供了可观的分类精度，并且以帧形式输入集成卷积神经网络的操作可以有效防止卷积神经网络过拟合。

技术领域

本发明涉及情绪脑电分类方法，特别涉及一种将情绪脑电预处理优化后使用CNN进行分类的方法。

背景技术

卷积神经网络(CNN)是一种前馈型的神经网络，其在大型图像处理方面有出色的表现，目前已经被大范围使用到图像分类、定位等领域中。相比于其他神经网络结构，卷积神经网络需要的参数相对较少，使的其能够广泛应用。

生成式对抗网络(GAN)通过框架中两个模块：生成模型和判别模型的互相博弈学习产生相当好的输出，可以根据原有的数据集生成以假乱真的新的数据。WGAN-GP是针对WGAN的存在的问题提出来的，WGAN在真实的实验过程中依旧存在着训练困难、收敛速度慢的问题，相比较传统GAN在实验上提升不是很明显。WGAN存在的问题是在处理连续性限制条件时直接采用了剪切权重，就是每当更新完一次判别器的参数之后，就检查判别器的所有参数的绝对值有没有超过一个阈值，比如0.01，有的话就把这些参数返回[-0.01,0.01]范围内。在这种情况下最优的策略就是尽可能让所有参数走极端，要么取最大值(如0.01)要么取最小值(如-0.01)，对于深度神经网络来说不能充分发挥深度神经网络的拟合能力，并且，也发现强制剪切权重容易导致梯度消失或者梯度爆炸，梯度消失与梯度爆炸原因均在于剪切范围的选择，选择过小的话会导致梯度消失，如果设得稍微大了一点，每经过一层网络，梯度变大一点点，多层之后就会发生梯度爆炸。为了解决这个问题，并且找一个合适的方式满足连续性条件，WGAN-GP使用梯度惩罚的方式以满足此连续性条件。CWGAN-GP是在WGAN-GP基础上加了条件约束，即标签，使其能生成指定标签的数据。

序列后向选择(SBS)，从特征全集A开始，每次从特征集A中剔除一个特征后评价函数值达到最优。

卷积神经网络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

本发明采用连续情绪维度模型中的Russell情绪维度模型为基准，使用DEAP数据集作为样本，进行预处理数据归一化，提取脑电通道里与情绪识别最相关的三个频带的皮尔逊系数，以此将其转换2D图片格式，以实验为单位通过SBS筛选有价值用来情绪脑电分类的实验，并将筛选后的实验数据输入CWAGAN-GP进行数据增强以此补充训练集，最后输入卷积神经网络分类，该方法可以有效地对情绪脑电信号进行分类，对数据进行筛选并对有价值的数据进行数据增强，能有效提高准确率。

本发明将情绪脑电预处理后使用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.提取每次实验前3秒的基线数据，以选定的时间窗将其分段，相加再求平均，再将剩余的脑电数据也以选定的时间窗将其分段后减去处理后的基线数据，得到脑电数据的差异值，再进行数据归一化。对脑电数据的差异值提取与情绪识别最相关的3个频带，再计算这3个频带的皮尔逊系数，将其转换成图片格式。