[发明专利]基于情感脑电特征融合优化机制的身份识别系统及方法

权利要求书

1.基于情感脑电特征融合优化机制的身份识别方法，其特征是，包括：

获取多个通道的情感脑电信号；

对情感脑电信号进行预处理；

对预处理后的情感脑电信号进行特征值提取；

利用粒子群优化算法对特征值特征模式进行分析，得到对于不同用户激活程度最大的情感脑电模块特征；

搭建基于注意力机制的RNN模型，利用粒子群优化算法的适应度函数进行迭代，以及，搭建孪生神经网络算法模型，利用损失函数筛选脑电频段特征；

将得到的脑电频段特征和所述情感脑电模块特征进行融合分段后，划分训练集和测试集；

将训练集分别输入到基于注意力机制的RNN模型以及孪生神经网络算法模型中进行训练；

将测试集输入训练后的基于注意力机制的RNN模型以及孪生神经网络算法模型中进行预测，得到预测结果；

基于预测结果判别出不同用户的身份。

2.根据权利要求1所述的基于情感脑电特征融合优化机制的身份识别方法，其特征是，所述预处理包括滤波、降采样、去除工频干扰、提出伪影和重参考。

3.根据权利要求1所述的基于情感脑电特征融合优化机制的身份识别方法，其特征是，对预处理后的情感脑电信号进行特征值提取，包括：使用小波包分解对预处理后的情感脑电信号进行四层分解后，提取脑电信号的α波、β波、δ波、θ波、γ波这五个节律的能量熵作为特征值，小波包分解公式为：

其中，f(t)表示初始信号，f_i，j(t_j)表示第i层上的(i，j)上的重构信号，j＝0，1，2，…，2ⁱ-1，初始信号经过小波包分解后得到的能量谱，表示为：

其中，E_i，j(t_j)表示第i层上的频带能量，X_j，k表示重构信号f_i，j(t_j)的离散点幅值，m为信号的采样点数；由以上过程得到信号频带上的能量熵值，记为W，表示第j个节点的能量熵，表达式为：

其中，P_j表示第j个节点的能量熵，E_j表示第j个节点的频带能量，E表示小波包分解的总能量。

4.根据权利要求1所述的基于情感脑电特征融合优化机制的身份识别方法，其特征是，所述粒子群优化算法中的速度更新公式为：

其中，i＝1，2，…，N，j＝1，2，3，4，k为算法迭代次数，为第k次算法迭代的速度向量，w(k)为非负惯性权重因子，为非负加速度常数，rand(0，a₁)和rand(0，a₂)为具有均匀分布的随机数，表示第i个粒子目前为止搜索到的最优解位置，表示搜索空间中粒子的当前位置，表示整个搜索空间中目前为止搜索到的最优解的位置，a₁、a₂为控制参数；

位置更新公式为：

定义粒子的适应度函数为：

其中，F为频带宽度，r是基于注意力机制的RNN分类模型错误识别的测试集样本数，R为测试集样本总数。

5.根据权利要求1所述的基于情感脑电特征融合优化机制的身份识别方法，其特征是，基于注意力机制的RNN模型中注意力机制的输出向量序列表示为：

其中，c_i为输出向量序列，h_j为注意力机制输入向量，a_ij为注意力机制权重且计算方法为：

e_ij＝fc(s_i-1，h_j)

其中，e_ij为网络输出层，exp(e_ij)为以自然常数e为底，e的e_ij次方的指数函数，s_i-1为注意力机制的输入向量，fc(s_i-1，h_j)为额外的全连接浅网络。