[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

说明书

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，包括如下步骤：首先对脑电信号进行预处理后分解到四个不同的频段上，并进行分帧处理，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；然后该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，构建一个三维脑电特征阵列，再输入到空洞全卷积网络中进行训练，并引入谱范数正则化项，最终使用softmax分类器进行情感分类。由于大脑的情感活动涉及不同电极通道和频带之间的信息回传和交互，本发明中的三维特征表示能够捕获不同电极通道和频带之间的信息，空洞全卷积网络在此基础上可以进一步挖掘深层次的有利于情感分类的特征，从而进一步提高脑电情感识别的正确率。

技术领域

本发明涉及脑电情感识别技术领域，具体地说，本发明涉及一种基于三维特征和空洞全卷积网络对脑电信号进行情感分类的脑电情感识别系统。

背景技术

情感在我们的日常生活和交流中起到不可替代的作用。尤其是当我们与机器互动时，我们也希望机器能理解我们在表达什么样的情感。因此，情感被认为是构建更友好、更自然的人机交互(HMI)的重要因素。随着人工智能技术的飞速发展，自动情感识别技术的出现使其成为可能。对于情感识别，应该对情感进行定量的定义和使用。心理学家通常将情感分成两种分类模型，一种是离散型，包含六种基本情感(快乐、悲伤、恐惧、厌恶、愤怒、惊讶)和混合情感等。另一种是维度模型，用valence和arousal维度表示。一般来说，直接从大脑皮层采集的脑电图(EEG)信号是情感刺激的实时反映，为情感识别提供了更全面的途径。

将脑电信号应用于情感识别的过程包括情感诱发，脑电信号采集，脑电信号预处理，特征提取和选择，情感分类。在这些过程中，有效特征的提取和选择以及最终的情感分类是最重要的两个步骤。研究者感兴趣的是五个频带的脑电信号，包括Delta(约1-3Hz)、Theta(约 4-7Hz)、Alpha(约8-12Hz)、Beta(约13-30Hz)和Gamma(约31-100Hz)。基本来说，每个频带上的脑电特征可以是时域特征(包括均值、标准差等等)，可以是频域特征(包括频带功率、功率谱密度等等)，也可以是时频域特征(包括微分熵、小波变换等等)。时域特征主要考虑脑电信号的时间特性，频域特征是从频率的角度捕获脑电信号信息，而时频域特征则从脑电信号的时间和频率维度提取脑电信息。根据获得的脑电特征，构建了大量的情感识别模型。常用的情感分类模型可以分为两种，一种是传统的机器学习模型(如SVM、决策树、随机森林等等)，这种需要手动的特征提取和优化；另一种是端到端的深度学习模型(如CNN、 RNN、LSTM等等)，不再需要人工特征，可以自动提取情感相关特征进行情感识别。

由于大脑的情感活动涉及不同电极通道和频带之间的信息回传和交互，因此如何适当地利用这些先验知识非常重要。三维特征表示能够捕获不同电极通道和频带之间的信息，空洞全卷积网络在此基础上可以进一步挖掘深层次的有利于情感分类的特征。针对这两者各自的特性，若能充分利用这些脑电特征信息，将会进一步提高脑电情感识别的正确率。

发明内容

本发明所要解决的技术问题是提供一种更加有效的脑电情感识别系统，通过该脑电情感识别系统，可以进一步提高情感识别的正确率。由于三维特征表示能够很好地利用脑电信号的信息，空洞全卷积网络可以进一步挖掘深层次的有利于情感分类的特征，所以如何能够更好地结合两者各自的特点去完美剖析脑电特征是本发明的一个难点。鉴于上述难点，本发明的目的是提出一种基于三维特征表示和空洞全卷积网络的脑电情感识别系统。通过三维特征表示，能够更好地利用脑电信号电极通道间，频带间以及不同特征激活模式之间的互补信息；通过空洞全卷积网络来提取更深层次的脑电特征信息，进而提升脑电情感识别的性能。

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；