[发明专利]基于图卷积神经网络的情绪分类方法及系统

说明书

本公开提供了一种基于图卷积神经网络的情绪分类方法及系统，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；本公开依据脑功能连接图设计了图卷积神经网络并用公开数据集DEAP来进行验证。

技术领域

本公开属于情绪状态识别技术领域，尤其涉及一种基于图卷积神经网络的情绪分类方法及系统。

背景技术

情绪是与神经系统有关的一种生物状态，它在我们日常生活中扮演着重要的角色，甚至可以影响我们在日常生活中所做的大大小小的决定。随着计算机处理数据能力的提升和人们对自身情绪状态的认知加深，自动情绪识别系统得到了广泛的应用。当前，自动情绪识别系统通过采用脑电图(Electroencephalogram，EEG)来识别情绪取得了成功的突破。EEG是一个记录着大脑皮层表面活动的电信号，表示脑神经元突触的激活状态。近年来的研究已经表明，EEG是用于生物特征认证的一种合适的信号。然而，脑电信号具有时间不对称性、不稳定性、信噪比低和无法直接确定脑区反应等缺点。因此，实现基于EEG的情绪状态识别系统仍然是一项艰巨的任务。最近，许多研究人员提出了基于卷积神经网络、深层信念网络的EEG情绪状态识别方法。

研究已经证明，与机器学习的经典算法相比，卷积神经网络在生理信号的情绪识别中表现出更好的性能。与其他方法相比，卷积神经网络提取的特征决定了分类模型的分类性能，而图卷积神经网络具有权值共享、平移不变性和维度可变性的优点。研究发现图卷积神经网络(Graph Convolutional Network，GCN)在图像信号处理领域中具有一定优势。杨冰等人将GCN应用到增强医学图像建模的特征提取中；王雪松等人提出一种基于自适应多尺度图卷积神经网络的多标签图像识别方法，并基于自适应标签关系图构建分类器，从而更加有效地实现了多标签图像识别；吴梦婷等人将卷积神经网络用于运动模糊图像盲复原；李雨明等人将GCN应用到阿尔兹海默症的分类研究中，完成对健康对照(CN)、早期轻度认知障碍(EMCI)、晚期轻度认知障碍(LMCI)和AD等4种类型的分类。

本公开发明人发现，现存的对情绪状态识别的系统以及图卷积神经网络在脑电的情绪识别领域应用存在以下问题：

1.单一类脑电特征情绪识别准确率低，传统的分类模型易受维度影响导致情绪识别准确率低；

2.目前，图卷积神经网络(Graph Convolutional Network，GCN)未广泛应用于基于脑电的情绪识别领域，其主要原因是：(1)脑电图未能提供脑电通道之间的空间相对位置信息；(2)当前脑电图数据量相对较小，模型训练过程中易出现过拟合；(3)当前方法提取的脑电特征对情绪识别的贡献较小。

发明内容

本公开为了解决上述问题，提出了一种基于图卷积神经网络的情绪分类方法及系统，本公开针对原始的脑电信号，利用基础情绪状态消去法减弱脑电实验对被试的依赖性；根据各个脑电信号通道间的相关性构建脑功能连接网络；基于脑功能连接网络结构将提取的脑电小波熵和样本熵特征建模为图结构；将图信号输入建立好的图卷积神经网络模型中进行情绪分类，最后得出分类结果；本公开依据脑功能连接图设计了图卷积神经网络并用公开数据集DEAP(Database for Emotion Analysis usingPhysiological Signals)来进行验证。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本公开提供了一种基于图卷积神经网络的情绪分类方法，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；