[发明专利]基于R-LSTM模型的脑电信号情绪识别方法

权利要求书

1.一种基于R-LSTM模型的脑电信号情绪识别方法，其特征在于由下述步骤组成：

(1)选取6个通道的脑电信号

在DEAP数据集中，按照国际10-20系统电极位置，分别选取FT7、FT8、T7、T8、TP7、TP8电极点的脑电信号；

(2)对脑电信号进行预处理

将数据集中脑电信号和标签进行预处理，去除前3秒基线信号，通过巴特沃斯带通滤波器获取θ、α、β、γ脑电频段信号，分别为4～7Hz、8～13Hz、14～30Hz、31～50Hz，以2秒为长度1秒作为重叠的窗口，对脑电信号进行等长度分段；

对数据集中脑电信号的标签进行预处理，得高为1、低为0类别的数据标签；

(3)划分训练集与测试集

将预处理后的脑电信号和对应标签随机打乱，按照训练集与测试集的比为7:3划分；

(4)构建R-LSTM情绪分类模型

R-LSTM情绪分类模型由输入层、储蓄池层R、储蓄池动态特征层、2个LSTM层、输出层构成，输入层的输出与储蓄池层R相连，储蓄池层R的输出与储蓄池动态特征层相连，储蓄池动态特征层的输出与第一个LSTM层相连，第一个LSTM层的输出与第二个LSTM层相连，第二个LSTM层的输出与输出层相连；

(5)训练R-LSTM情绪分类模型

将训练集中脑电信号作为输入，训练R-LSTM情绪分类模型；

(6)测试集分类

用优化后的R-LSTM情绪分类模型对测试集数据进行分类，输出其对应的情绪类别；

在(4)构建R-LSTM模型步骤中，所述的输入层、储蓄池层R、储蓄池动态特征层、2个LSTM层、输出层的构建方法如下：

1)设定输入层和储蓄池层R的参数

设定输入层神经元数K、储蓄池层R神经元数N、输入尺度IS、谱半径SR、稀疏度D、学习率η，K为6，N为20，IS∈[0.01，0.99]，SR∈[0.01，0.99]，D∈[0.1，0.5]，η∈[0.7，1]；

2)随机初始化为输入连接权重W_in，维度为N×K，储蓄池层R神经元连接权重W_r，维度为N×N，按式(1)更新储蓄池层R：

h(t)＝(1-η)h(t-1)+ηf(W_inu(t)+W_rh(t-1)) (1)

u(t)＝(u₁(t)，u₂(t)，…，u_K(t))^T

其中h(t)为t时刻储蓄池状态，u(t)是t时刻输入的多通道脑电信号，t取值为1，2，…，S，S为有限的正整数；

3)更新储蓄池动态特征层

按下式更新储蓄池动态特征层A_h：

A_h＝(h(t)-b_n)h(t-1)^-1

其中b_n 为偏置，采用岭回归线性预测，以t-1时刻储蓄池的状态h(t-1)作为输入，预测t时刻储蓄池状态h(t)；

对脑电信号的储蓄池动态特征层A_h按照A_h列的顺序转换为一个列向量后，按下式进行标准化处理：

y_i＝(x_i-x_mean)/σ

其中y_i为标准化处理后的第i个特征，x_i为第i个特征，1≤i≤z，z为特征的总个数，x_mean 为特征均值，σ为方差，将原始数据变换到均值x_mean为0，方差σ为1的范围内，得到归一化后的储蓄池动态特征A_h′，作为脑电信号的高维动态特征；

4)构建R-LSTM模型LSTM层

以Python的深度学习库Keras为基础，构建R-LSTM模型LSTM层，构建方法为：用深度学习库Keras搭建第1层LSTM层，神经元数为50,正则化dropout为0.4；第2层LSTM层，神经元数为50,正则化dropout为0.4，采用深度学习库Keras内置序列模块连接储蓄池动态特征层和第一个LSTM层,第一个LSTM层的输出作为第二个LSTM层的输入，构建成R-LSTM模型LSTM层；

5)构建输出层

输出层神经元数为1，激活函数为sigmoid,以第二个LSTM层的输出作为输出层的输入，得到脑电信号情绪类别，构建成输出层。