[发明专利]一种基于多尺度卷积核CNN的脑电情绪分类方法

说明书

本发明公开了一种基于多尺度卷积核CNN的脑电情绪分类方法。选用SEED数据集作为实验数据，使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型进行分类测试；首先对预处理数据提取每个频段上的微分熵特征，并用线性动态系统方法进行特征平滑；其次使用reliefF算法对数据进行特征选择，然后将数据切割成适合作为多尺度卷积核CNN输入的特征样本，并进行归一化处理；最后使用多尺度卷积核CNN对处理的样本进行分类测试。本发明采用将reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型方法，可以有效的提高情绪脑电信号分类率，对智能人机交互领域和脑电情感识别都具有重要的意义。

技术领域

本发明涉及一种脑电情绪特征分类方法，特别涉及一种基于多尺度卷积核CNN的脑电情绪分类方法。

背景技术

传统的情绪识别主要是基于面部特征、肢体动作和语音的研究，这些外在特征容易伪装，并不能反应出真实的情绪，脑电信号可以反映大脑在加工情绪时所伴随的神经电生理活动，能够很好的弥补传统研究方法的缺陷。传统的人工提取情感特征结合机器学习相关算法取得了较好的发展，传统的方法大都需要大量先验知识寻找脑电信号的特征，构建特征工程，而脑电信号容易受到噪声干扰，且不同被试之间的差异性，使得基于脑电信号人工特征选取耗费大量的时间和精力。

传统CNN卷积层中采用单一尺寸的卷积核，不能从多个维度来提取脑电信号中的情绪特征，针对这一问题，本研究尝试采用多尺度卷积核，从高维度和低维度同时提取情绪脑电特征，并在国际公开数据集SEED上进行实验。

发明内容

本发明针对现有技术的不足，使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型对脑电数据进行情绪分类测试，提出了一种基于多尺度卷积核CNN的脑电情绪分类方法。

本发明首先使用reliefF算法对数据进行特征选择，去除冗余特征；其次在CNN的卷积层上增加不同尺度的卷积核来构建多尺度卷积核CNN，相比于传统的CNN，多尺度卷积核CNN扩大了卷积层提取特征的维度，减少了卷积层层数，降低了网络复杂度；最后用多尺度卷积核CNN来对特征选择后的数据进行情绪分类测试，此方法能有效提高脑电情绪分类准确率。

按照本发明提供的技术方案，提出了一种基于多尺度卷积核CNN的脑电情绪特征识别方法，包括以下步骤：

步骤1、选用SEED数据集作为脑电信号情绪三分类实验的数据集；

步骤2、将预处理数据集中的数据提取微分熵特征，并用线性动态系统方法进行特征平滑，得到特征提取后的数据集；

步骤3、使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型对步骤2中得到的数据集中的数据进行分类测试；首先使用reliefF算法对数据进行特征选择；具体步骤为：

3-1.从样本集g中随机选择任意的样本Q_i；

3-2.从与Q_i同类的样本中选择k个与Q_i距离最近的样本；从与Q_i不同类的样本中选择k个与Q_i距离最近的样本；

3-3.根据下面公式更新每个特征的权重值：