[发明专利]基于多域自适应图卷积神经网络的情感脑电特征表示方法

说明书

一种基于多域自适应图卷积神经网络的情感脑电特征表示方法，通过对脑电数据集进行特征类别的标记，再将其中的脑电数据通过时域和频域预处理和特征提取后将两个域特征训练多域自适应图卷积网络，最后采用训练后的训练多域自适应图卷积网络进行在线特征识别。本发明融合脑电的频域和时域的信息以及信号模式相关的脑功能连接，通过多域自适应图卷积神经网络充分利用多个域的互补信息，同时考虑脑电通道的拓扑结构，自适应地学习脑功能连接实现识别。

技术领域

本发明涉及的是一种脑电信号处理领域的技术，具体是一种基于多域自适应图卷积神经网络的情感脑电特征表示方法。

背景技术

脑电图特征可分为时域、频域和时频域三类。脑电信号是离散的时间序列，这表明时域可能包含信号模式识别的重要信息。在时域中，应用最广泛的脑电图特有分形维数、高阶交叉。由于脑电图信号的非稳态特性以及原始脑电图数据的噪声和伪影的干扰，功率谱密度和微分熵频域特征，以及一些时频域特征被研究者们广泛采用，其中频域微分熵特征在基于脑电的信号模式识别任务中取得良好的表现。

发明内容

本发明针对现有技术没有同时充分利用脑电在时域，频域以及功能脑连接上的信息，提出一种基于多域自适应图卷积神经网络的情感脑电特征表示方法，融合脑电的频域和时域的信息以及信号模式相关的脑功能连接，通过多域自适应图卷积神经网络充分利用多个域的互补信息，同时考虑脑电通道的拓扑结构，自适应地学习脑功能连接实现识别。

本发明是通过以下技术方案实现的：

本发明涉及一种基于多域自适应图卷积神经网络的脑电特征识别方法，通过对脑电数据集进行特征类别的标记，再将其中的脑电数据通过时域和频域预处理和特征提取后将两个域特征训练多域自适应图卷积网络，最后采用训练后的训练多域自适应图卷积网络进行在线特征识别。

所述的时域和频域预处理和特征提取具体包括：依次进行的时域预处理、时域特征提取、时域预处理和频域特征提取。

所述的时域预处理是指：对采集到的脑电数据进行基线校正、去除伪迹处理，对脑电信号进行滤波处理，将脑电信号通过滤波器划分为5个频段。然后将脑电信号按照S秒无重叠的时间窗进行分割，由此得到的每个样本，可以由5个时长S秒的V导脑电片段组成，分别对应5个频段。

所述的时域特征提取是指：提取时域信号模式相关功能脑连接A^Te，具体步骤包括：

1)对于每个样本，在每个频段下，计算各通道时长S秒脑电信号间的皮尔森相关系数，将所述得到的每个样本每个频段下成对的脑电信号之间的联系用一个V×V的对称的连接矩阵A来表示，矩阵中的元素表示两两通道的脑电信号之间的连接权重，即为脑功能连接网络中边的信息，最后得到功能连接矩阵其中：N是预处理后的样本个数，F代表5个频段，V×V是根据皮尔森相关系数计算得到的时域连接矩阵的维度。

2)将训练集中所有被试的样本一起用来选择与信号模式识别相关的功能脑连接，L为信号模式类别集合，在每个频段f∈F上，对于每类信号模式l∈L，将训练集中的全部功能连接矩阵对所有样本以及所有被试进行平均化，即将所有标签为l的连接矩阵进行平均，其表达形式为：其中：表示第i个样本在f频段上对应的连接矩阵，yⁱ表示第i个样本对应的信号模式类别。

3)将矩阵的右上角元素按照连接权重的绝对值从大到小进行排序。

4)将所述得到的F*L个平均的脑网络采用一个相同的比例阈值t，来保留最强的连接，得到每类信号模式下的关键连接：

5)将L个信号模式类别的平均脑网络中保留的关键连接进行合并，其表达形式为：

6)将F个频段平均脑网络中保留的关键连接进行合并，其表达形式为：A_critical＝

union_f∈F(A^f)。