[发明专利]结合互信息通道选择与混合神经网络的脑电情感识别方法

说明书

本发明公开了一种结合互信息通道选择与混合神经网络的脑电情感识别方法，首先提取脑电信号各通道中γ节律的微分熵(DE)特征，通过DE计算通道间相互的归一化互信息(NMI)，将所得NMI矩阵按列求和后的向量作为表征各通道任务相关性的权值，根据权值选出最优通道集，之后采用卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的混合深度神经网络(HDNN)进行样本特征提取和分类。该方法选出的通道数量适中，分布合理，通道选择结合混合深度神经网络后一定程度的提高了情感BCI系统的分类性能，为情感脑电识别领域提供了一种新思路。

技术领域

本发明属于模式识别领域，提出一种结合互信息通道选择与混合神经网络的情感脑电识别方法，首先提取EEG信号各通道中γ节律的微分熵(Differential Entropy，DE)特征，通过DE计算通道间相互的归一化互信息(Normalized mutual information，NMI)，将所得NMI矩阵按列求和后的向量作为表征各通道任务相关性的权值，根据权值选出最优通道集，之后采用卷积神经网络和长短期记忆网络相结合的混合深度神经网络(Hybrid DeepNeural Networks，HDNN)进行样本特征提取和分类。

背景技术

随着人工智能技术的不断发展，情感识别已经成为了人机交互(Human MachineInterface，HMI)领域的研究热点。将情感自动识别技术引入到HMI应用，可显著提高用户的体验质量，并推动实现人工智能由感知智能到认知智能的飞跃。脑机接口(Brain ComputerInterface，BCI)可以有效的作为人机交互的桥梁，BCI技术可通过非侵入的方法采集人体脑电信号(electroencephalography，EEG)，且大量的神经生理学和心理学研究发现，人类的情绪产生和情感活动与大脑皮层的电信号高度相关，因此EEG信号凭借其高时间分辨率，低成本，高便捷的优点被有效的运用在人类情感识别任务中。

然而对情感EEG信号进行特征提取并分类是一项具有挑战性的任务，基于浅层机器学习方法的研究在该领域取得了一定的进展，研究者通常提取EEG信号的时域特征，频域特征，空间域特征等，并使用支持向量机(Support Vector Machine，SVM)，线性判别分析(Linear Discriminant Analysis，LDA)，随机森林((Random Forest，RF)等分类方法对提取到的EEG特征进行分类，浅层机器学习方法必须人为的从原EEG信号中寻找和提取各种与情感相关的特征，这也成为了阻碍研究突破的瓶颈。近年来随着深度学习技术的不断发展，深度神经网络(DNN)受到越来越多研究者的关注，例如基于深度信念网络(Deep BeliefNets，DBN)的脑电情感识别方法，基于卷积神经网络(Convolutional Neural Networks，CNN)的脑电情感识别方法，基于长短期记忆网络(Long Short-Term Memory，LSTM)的脑电情感识别方法等。DNN网络摆脱了特征工程，能够自行实现端到端的“黑箱”学习过程，适合对抽象的EEG信号进行识别分类，得到的分类结果也普遍优于浅层机器学习。然而EEG信号是一种集时域，频域，空间域信息于一体的复杂信号，仅使用的单模态DNN模型可能无法充分挖掘其潜在的特征规律，且脑电信号多个通道中可能存在着冗余信息干扰，不仅影响最终的分类结果还增大了样本维度，提高了DNN的训练难度。

发明内容

针对现有技术的不足，本发明提出一种结合互信息通道选择与混合神经网络的方法，用以完成对情感EEG信号识别和分类的任务。

本发明包括以下步骤：

步骤(1)：多通道脑电信号采集与预处理，首先采集受试者的多通道情感脑电信号，接着利用8阶巴特沃斯滤波器对每个通道的脑电信号进行带通滤波，得到δ(1-3Hz)，θ(4-7Hz)，α(8-13Hz)，β(14-30Hz)，γ(31-50Hz)这5个频带的EEG信号，并提取EEG信号各通道中γ频带的微分熵(Differential Entropy，DE)特征。