[发明专利]基于R-LSTM模型的脑电信号情绪识别方法

说明书

一种基于R‑LSTM模型的脑电信号情绪识别方法，由选取6个通道的脑电信号、对脑电信号进行预处理、划分训练集与测试集、构建R‑LSTM情绪分类模型、训练R‑LSTM情绪分类模型、测试集分类步骤组成。本发明采用了R‑LSTM模型，单步预测储蓄池层神经元状态，将预测过程中的参数归一化后作为脑电信号的高维动态特征，解决了传统方法采用的单个通道的脑电信号特征组成特征集合，未考虑脑电信号的非线性动态特征，损失了不同通道间的特征信息的技术问题。本发明与传统方法相比，经训练后得到的识别准确率在效价和唤醒度上均更高，得到了较好的脑电情绪识别效果，具有计算速度快、识别准确率高等优点，可用于脑电信号情绪识别技术领域。

技术领域

本发明涉及脑电信号情绪分类方法，特别涉及一种基于R-LSTM模型的脑电信号情绪识别方法。

技术背景

情感在人类社会活动中具有重要作用，驱动人类的认知、行为和决策。随着人工智能和人机交互技术的发展，如何让计算机能感知人类情感并据此做出适当决策成为人工智能领域的一个重要的研究方向，被称之为情绪识别。情绪识别的准确度影响未来人机交互的体验。与视频、图像、语音、文本等信号相比，脑电是人的生理信号，能够更准确地反应人的情感状态。近年来非侵入可穿戴脑电设备的快速发展，使得脑电信号的采集更加便捷，基于脑电的情绪分类也已经成为一个全球性的研究热点。

目前基于脑电信号的情绪识别常用方法为提取每个通道脑电信号的时域、频域等特征，再将这些单个通道的脑电信号特征组成特征集合，用SVM分类器进行分类。此类方法未考虑脑电信号的非线性动态特征，损失了不同通道间的特征信息。近年来大量研究表明人脑是一个复杂的非线性系统，脑电信号是高维复杂的时序信号，是动态变化的，如何高效地获取脑电信号的高维非线性动态特征、并对其进行识别是脑电情绪识别的一大难点。

发明内容

本发明所要解决的技术问题在于针克服上述现有技术的不足，提供一种快速识别人的情感、识别准确率高的基于R-LSTM模型的脑电信号情绪识别方法。

解决上述技术问题所采用的技术方案是由下述步骤组成：

(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，训练集与测试集无交叉。

(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。