[发明专利]基于分形模式特征生成函数的脑电信号情感识别方法

权利要求书

1.基于分形模式特征生成函数的脑电信号情感识别方法，其特征在于，包括如下步骤：

步骤1：开发了一个新的称为Firat的分形图案，该分形图案由四个有向哈密顿图组成，每个图生成8-bits，利用该分形图案，提出了一种新的基于分形的特征生成函数FiratFractal Pattern(FFP)，通过使用FFP，来证明了分形对特征生成的影响；

步骤2：提出了一种新的多级特征生成技术，基本特征生成函数是FFP，正如深度网络所述，通过生成低级、中级和高级特征，可以达到较高的分类能力，为了获得高性能，在此步骤中采用TQWT作为分解方法，通过采用TQWT对EEG信号进行子带分解，TQWT是一种有效的分解模型，通常用于一维信号，它是单Q因子小波变换的改进版本；

步骤3：使用迭代卡方进行特征选择，旨在选择最优数量的特征，Chi2是一个统计属性生成函数，在预测和数值分析中通常用于计算期望值，利用Chi2的这一属性，实现了特征选择模型，Chi2特征选择器有一个主要的问题，即使用最优的特征选择数量来自动匹配，因此，提出了一种改进版的chi2，并将其命名为IChi2，其使用迭代特征选择过程，最后，基于选择的最优特征使用分类器完成情感识别。

2.根据权利要求1所述的基于分形模式特征生成函数的脑电信号情感识别方法，其特征在于，所述步骤1包括如下步骤：

步骤1.1：加载一维脑电信号；

步骤1.2：FFP使用5×5大小的矩阵将信号分成长度为25的重叠块；

步骤1.3：将获得的窗口重塑为5×5大小的矩阵，下列方程定义向量到矩阵的变换；

步骤1.4：应用定义的四个图和Signum函数生成二进制特征，从每个图生成8位；

步骤1.5：使用步骤3中生成的位计算映射值:

其中map^t是th(t∈{1,2,3,4})映射值，它是使用第t个图生成的，生成的映射值以8位编码；

步骤1.6：对每个窗口重复步骤1.4-1.5；

步骤1.7：生成每个映射值的直方图；

步骤1.8：连接所有生成的直方图，得到特征向量。

3.根据权利要求1所述的基于分形模式特征生成函数的脑电信号情感识别方法，其特征在于，所述步骤2包括如下步骤：

步骤2.1：采用TQWT对脑电信号进行子带分解，参数分别为3.5、3、29Q、r、J；

步骤2.2：从每个子带和原始脑电图信号中生成特征；

步骤2.3：将每一层生成的特征向量连接起来，并计算最终的向量(X)。

X((t-1)*1024+i)＝ftr^t(i),i∈{1,2,…,1024},t∈{1,2,…,31}。

4.根据权利要求1所述的基于分形模式特征生成函数的脑电信号情感识别方法，其特征在于，所述步骤3包括如下步骤：

步骤3.1：采用最小-最大值归一化方法对每个脑电信号进行特征归一化；

步骤3.2：使用Chi2选择器计算排序后的索引(idx)；

步骤3.3：定义迭代的初始点和端点；

步骤3.4：使用idx选择特征；

步骤3.5：使用具有10次交叉验证的Cubic(三次多项式核)SVM，生成每个选择向量的损失值(1-accuracy)；

步骤3.6：计算最小损失值及指标；

步骤3.7:从生成的特征向量(X)中应用indice和idx选择最相关的特征向量(最优)；

步骤3.8：选择的特征被用作分类器的输入。CSVM分类器用于特征选择和分类中的损失值生成器。