[发明专利]一种基于三维特征和空洞全卷积网络的脑电情感识别系统

权利要求书

1.一种基于三维特征和空洞全卷积网络的脑电情感识别系统，其特征在于，包括如下步骤：

S1、对所收集到的脑电信号样本进行预处理，并将预处理后的脑电信号分解到四个不同的频段上；

S2、对步骤S1所得到的不同频段上的脑电信号进行分帧处理，从每个帧中提取不同频段上各个电极通道的脑电情感特征并移除基线特征；

S3、将步骤S2所得到的不同频段上各个电极通道的脑电情感特征按照脑电信号采集时电极放置的位置信息进行重排，并按照频带进行拼接，得到不同特征的二维表示。

S4、堆叠步骤S3所得到的不同特征的二维表示，构建一个三维脑电特征阵列；

S5、将步骤S4所得到的三维脑电特征阵列输入到DFCN中进行训练，并引入谱范数正则化项，最终使用softmax分类器进行情感分类。

2.根据权利要求1所述的一种基于三维特征和空洞全卷积网络的脑电情感识别系统，其特征在于：S1所述收集到的脑电信号样本来自多模态数据集DEAP和DREAMER；所述收集到的脑电信号样本包含四种连续情感，分别为：高/低valence，高/低arousal，高/低dominance,高/低liking；所述收集到的脑电信号样本包含五个频段，分别为Delta,Theta,Alpha,Beta,Gamma；所述收集到的脑电信号样本需要先经过预处理移除眼电伪迹，并用带通滤波器过滤出4.0-45Hz的脑电信号；所述预处理后的脑电信号的采样频率是128Hz；所述预处理后的脑电信号使用巴特沃斯滤波器来将所述脑电信号分解到五个不同的频段上。

3.根据权利要求1所述的一种基于三维特征和空洞全卷积网络的脑电情感识别系统，其特征在于：S2所述从每个帧中提取不同频段上各个电极通道的脑电情感包含时域特征Kurtosis(K)，频域特征Power(P)，时频域特征Differential Entropy(DE)，所述时域特征K可以被定义为，

其中，μ是均值，σ是标准偏差，E表示求均值操作，μ₄是四阶中心矩。所述频域特征P可以被定义为，

其中，N表示一帧EEG信号的长度。

所述时频域特征DE可以被定义为，

其中f(x)为概率密度函数。当样本服从高斯分布N(μ,σ²)时，相应的概率密度函数可以代入上式进行进一步化简，化简后的DE可以被定义为，

其中，e是Euler常数，σ表示EEG信号的标准偏差。

所述移除基线特征可以被定义为，

其中，s表示刺激片段的数量，t表示第t帧的脑电信号，表示第一帧的基线信号特征。

4.根据权利要求1所述的一种基于三维特征和空洞全卷积网络的脑电情感识别系统，其特征在于：S3所述将不同频段上各个电极通道的脑电情感特征按照脑电信号采集时电极放置的位置信息进行重排，

然后按照频带进行拼接，以K特征为例，所述K特征的二维表示可以被定义为，

其中，同样地，P特征的二维表示DE特征的二维表示

5.根据权利要求1所述的基于一种基于三维特征和空洞全卷积网络的脑电情感识别系统，其特征在于：S4所述堆叠不同特征的二维表示是在所述K′_t，P′_t，D′_t的第三个维度进行拼接，所述三维脑电特征阵列的维度是2h×2w×3。

6.根据权利要求1所述的一种基于三维特征和空洞全卷积网络的脑电情感识别系统，其特征在于：S5所述谱范数正则化项被定义为为矩阵的最大奇异值，

为了约束所述DFCN网络中每个权重矩阵W^l的谱范数，相应的优化过程可以被定义为，

其中，是正则化因子，第二项是谱范数正则化项，通过惩罚每一层的谱范数之和，可以实现对于整个所述DFCN网络谱范数的约束。