[发明专利]基于图卷积神经网络的情绪分类方法及系统

权利要求书

1.基于图卷积神经网络的情绪分类方法，其特征在于，包括：

获取原始脑电信号；

根据预设的情绪分类模型和获取的原始脑电信号，得到情绪分类结果；

其中，所述情绪分类模型是根据脑电信号训练集和图卷积神经网络训练得到；获取脑电信号训练集包括：获取原始脑电信号数据集、消去数据集的基础情绪状态、提取消去基础情绪状态后数据集的小波系数、利用小波系数计算脑电小波能量比和小波熵，以及基于脑功能连接网络结构将计算的脑电小波熵和小波熵特征建模为图结构。

2.如权利要求1所述的基于图卷积神经网络的情绪分类方法，其特征在于，所述情绪分类模型的训练包括：

获取原始脑电信号，根据基础情绪状态消去法，获得情绪状态刺激后的实验脑电信号；

根据小波包变换将获得情绪状态刺激后的实验数据分解为多个频段，并提取小波系数；

根据样本熵估计脑电的整体复杂性，并从多个频段的小波系数计算出小波能量比和小波熵；

根据各脑电通道信号间的相关性，基于相位锁定值关联矩阵构建脑功能连接网络；

根据脑功能连接网络图和图卷积神经网络，训练得到情绪分类模型。

3.如权利要求2所述的基于图卷积神经网络的情绪分类方法，其特征在于，消去数据集的基础情绪状态包括：初始化输入原始脑电数据集，对于所述原始脑电数据集中的原始脑电信号的每个被试脑电信号截取实验试次；采用基础情绪状态消去法提取前三秒的平静脑电信号，将平静脑电信号扩充至60s，提取4s-63s的原始脑电信号，从中减去60s的平静脑电信号得到无基础情绪状态的情绪状态脑电信号。

4.如权利要求2所述的基于图卷积神经网络的情绪分类方法，其特征在于，提取消去基础情绪状态后数据集的小波系数包括：对情绪状态脑电信号采用小波包分解脑电信号，将脑电信号进行i层小波包分解得到得到2ⁱ个小波节点；

对第i层节点小波包系数进行重构，得到各节点的重构信号，重构脑电信号频带分为分解为多个频段，提取多个频段的小波系数。

5.如权利要求2所述的基于图卷积神经网络的情绪分类方法，其特征在于，利用小波系数计算脑电小波能量比和小波熵包括：

样本熵算法步骤如下：

(a)设初始时间信号为Si，其中i＝1,2,...,n；

(b)确定参数m、r，其中m为选定的待重构的空间维度向量，r为给定阈值且为非负实数，表示重构向量之间相似的阈值；

(c)重构时间序列X1,X2,…,XN-m+1∈m，其中Xi＝[Si,Si+1,…,Si+m-1]；

(d)计算任意重构向量之间的距离D[Xi,Xj]＝max{|Xi+k-Xi|}，其中i，j的取值范围是1到N-m+1；

(e)给定阈值r，其中r0，给定嵌入维数m，计算序列Xi规律性的概率大小量度且对所有求平均值

(f)将嵌入维数设为m+1；

(g)按照步骤(a)～(f)，再计算出Bm+1(r)；

(h)

小波能量比和小波熵的计算包括：

假设C_i是经过小波包变换后提取的小波系数，其中i＝Alpha、Theta、Beta1、Beta2、Gamma1和Gamma2；则小波系数总能量的计算方式定义如下：

第i个频带的小波能量比η_i计算方式定义如下：

第i个频带的小波熵计算方式定义如下：

Entropy_i＝-η_iln(η_i)。

6.如权利要求1所述的基于图卷积神经网络的情绪分类方法，其特征在于，对提取的特征要进行排列；特征排列是指要将电极通道的位置映射到2D平面图上的位置，随后对提取的特征按照2D平面图的位置对特征进行排列从形成一个特征立方体。