[发明专利]一种基于深度领域自适应的脑电情绪识别方法及系统

说明书

本发明提供一种基于深度领域自适应的脑电情绪识别方法及系统，属于脑电情绪识别技术领域，利用预先训练好的识别模型对获取的脑电信号进行处理，得到脑电情绪识别结果；其中，提取了脑电信号的微分熵特征，基于微分熵特征提取了脑电信号通道之间的拓扑结构，基于拓扑结构提取了特征的局部信息，基于局部信息得到左脑和右脑之间在情绪表达上的模式关系并进行整合；利用整合后的特征进行情绪类别判断。本发明将Coral损失函数和图卷积与传统卷积神经网络相结合，提取出微分熵局部特征，并且使用图卷积学习脑电信号通道之间的关系，分别提取左脑和右脑的信息，将提取到的特征进行整合，并利用自适应损失减少个体之间的差异性，使脑电情绪识别结果更准确。

技术领域

本发明涉及脑电情绪识别技术领域，具体涉及一种基于深度领域自适应的脑电情绪识别方法及系统。

背景技术

情绪在很大程度上反映了个体对事物的认知和态度，在人们的日常生活和工作中具有信息传递和行为调控的作用，情绪无处不在并且有着不可忽略的影响。人机交互系统中，基于计算机技术的情绪识别起到了非常关键的作用，随着人工智能快速发展，基于情绪的研究也大大增加。而正确的情绪识别能够帮助监测个人的心理和情绪健康状态，在医学方面，更有助于对有心理疾病或表达障碍的患者进行疏导与判断。

面部表情、语音语调、姿势动作和生理信号都可以作为情绪识别的数据来源，前三种数据采集过程简单，也比较容易获得。但是由于被试者可以通过控制面部表情、语音语调和心理变化来掩盖真实的情绪，所以采集到的数据不能保证其有效性；而生理信号难以伪装，包含的信息也更加丰富。基于脑电、心电、肌电和皮肤温度等生理信号的研究很多，而近年来，由于脑电识别情绪操作简单、成本低、效果好，其研究得到广泛关注；另外，脑电是记录头皮电位变化的信号，在一定程度上反映大脑皮层的活动，所以与人的情绪状态关系更加紧密。

为了识别情绪，研究人员需要对情绪状态进行量化和建模。目前广泛使用的情绪量化模型是维度模型，该模型是基于认知评价将情绪空间划分为效价-唤醒度(Valence-Arousal，VA)两个维度或者是效价-唤醒度-优势度(Valence-Arousal-Dominance)三个维度。其中，效价表示情绪是积极还是消极的；唤醒度反映情绪的强烈程度；优势度指人能否控制这种情绪。

目前，基于脑电信号的情绪识别研究已经日趋增多。主要的目标就是提高模型的分类准确率，通过更加精确地降低信号噪声、选取更合适的脑电特征以及训练更好的分类模型来达到这个目标。在基于脑电的情绪识别研究中，利用传统分类器进行分类是较为困难的，如何提取有效的特征并且识别是一个很大的挑战。

将高效的机器学习算法即深度学习应用到脑电信号研究中，可获得较高的识别准确率。然而，现有的传统的深度学习研究并没有兼顾到被试者之间的个体差异以及脑电信号的通道之间的关系，导致不能满足更高识别准确率的需求。

发明内容

本发明的目的在于提供一种在传统神经网络中应用了Coral损失函数和图卷积网络，同时兼顾对象个体差异及脑电信号通道之间关系，提高了情绪分类准确率的基于领域自适应损失函数的可分离图卷积神经网络的脑电情绪识别分类方法及系统。以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种基于深度领域自适应的脑电情绪识别方法，包括：

获取待识别的脑电信号；

利用预先训练好的识别模型对获取的脑电信号进行处理，得到脑电情绪识别结果；其中，所述预先训练好的识别模型由训练集训练得到，所述训练集包括多个不同对象的脑电信号以及标注脑电信号的情绪类别的标签；