[发明专利]基于脑电信号情绪识别的性别差异性检测方法

说明书

一种基于长短时记忆图神经网络的脑电特征识别方法，通过从脑电数据集中提取微分熵特征，再将微分熵特征转化为表示图的特征矩阵，然后训练长短时图神经网络模型同时采集特征数据的脑部功能连接信息和时序关系，最后利用训练好的网络模型实现情绪识别。本发明通过长短时记忆图神经网络充分利用脑部功能连接信息及时序信息，实现对多个常用的、具有代表性的数据集的识别，同时分析最常见的差异表现，验证情绪相关脑电活动中的性别差异特性。

技术领域

本发明涉及的是一种脑电信号领域的技术，具体是一种基于脑电信号情绪识别的性别差异性检测方法。

背景技术

与过去研究者们经常使用的面部表情、语音、身体姿态等信号识相比，脑电信号能够更细腻地表征被试与情绪相关的大脑活动，故而被认为是情绪识别的一种最有效的信号形式，也因此，现在采用脑电信号进行情绪识别的研究越来越得到学术界和工业界的关注。然而，由于不同个体间不仅存在着头皮阻抗、头型等物理结构差异，还有思考方式、心理状态和认知能力等精神机制方面的差异，脑电信号的特征模式高度依赖于被试的个体特征，这种个体差异性的问题严重阻碍情感脑-计算机接口的实际应用。

为解决脑电信号个体差异性问题，一种方法是使用迁移学习处理被试个体间的差异。另一种研究方法是找出脑电信号个体差异性产生的原因，解明它们背后的机理以及作用范围，继而根据其性质解决相应的个体差异性问题。性别是一种简单明晰的个体差异，而且情感障碍疾病的发病率存在着明显的性别差异。例如，统计数据表明，女性抑郁症患者的数目大约是男性的1.7倍。情感障碍疾病与患者的情绪状态息息相关。因此，检验脑电信号情绪识别是否存在性别差异性，将为构筑精准的情感模型和开发基于情感脑-计算机接口的情感障碍疾病辅助诊断与治疗系统提供重要的理论和技术支撑。

尽管已存在脑电信号情绪识别性别差异性研究结果，但是现有的工作存在比较大的局限性：首先它们大多数只使用单个数据集的数据，且模型性能不足，故而结论并不具有普适性；其次是这些研究中对数据的处理方法和操作步骤不尽相同，无法保证在其他实验配置下也能稳定得到相同的结论；另外，虽然这些结果中发现各种各样的脑电差异表现形式，但是不同研究之间尚存在结论不一致的问题，无法作为一般结论接受。因此，需要开发新的方法寻找更稳定的性别差异表现，验证情感体验中脑电活动的性别差异。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于脑电信号情绪识别的性别差异性检测方法，通过长短时记忆图神经网络充分利用脑部功能连接信息及时序信息，实现对多个常用的、具有代表性的数据集的识别，同时分析最常见的差异表现，验证情绪相关脑电活动中的性别差异特性。

本发明是通过以下技术方案实现的：

本发明涉及一种基于长短时记忆图神经网络的脑电特征识别方法，包括：从脑电数据集中提取微分熵特征，再将微分熵特征转化为表示图的特征矩阵，然后训练长短时图神经网络模型同时采集特征数据的脑部功能连接信息和时序关系，最后利用训练好的网络模型实现情绪识别。

所述的训练，使用5个常用的、更有代表性的数据集展开实验，涉及的数据集分别为：中国(SEED、SEED-IV、SEED-V)、欧洲(DEAP、DREAMER)数据集。它们都采集EEG脑电信号模态数据，并且都是使用视频素材诱发情绪的。

所述的训练，通过对原始数据进行预处理，即提取微分熵频域特征作为实验的输入数据。设计通用的同性训练策略及异性训练策略，运用留一交叉验证法对每个数据集的每份被试数据训练识别器，得到相应的同性模型和异性模型，在迭代中调整每组模型的超参数，获取最后的实验结果。

在此基础上解决差异表现各式各样的问题。本发明分析比较各个数据集上的实验结果和常见的性别差异表现形式，如：神经模式、关键脑区、关键频段，进而得出更客观稳定的结论，验证情感体验脑电信号的性别差异特性。