[发明专利]一种基于深度学习的心电信号情绪识别方法

摘要

本发明涉及一种基于深度学习的心电信号情绪识别方法，包含如下步骤在各种情绪图片诱发条件下，通过胸部或者腕部，采集被试者在不同情绪下的心电数据，将采集得到的心电数据分割成固定长度的心电信号，并且为不同情绪下得到的心电数据制作相应的标签；对采集到的心电数据进行预处理，首先进行基于小波变换的基线漂移去除，之后进行噪声去除；数据标准化，对去噪后的心电数据进行归一化处理；模型训练阶段。

主权项

一种基于深度学习的心电信号情绪识别方法，包含如下步骤:1)数据收集阶段:在各种情绪图片诱发条件下，通过胸部或者腕部，采集被试者在不同情绪下的心电数据，将采集得到的心电数据分割成固定长度的心电信号，并且为不同情绪下得到的心电数据制作相应的标签；2)数据预处理阶段:对采集到的心电数据进行预处理，首先进行基于小波变换的基线漂移去除，之后进行噪声去除，噪声去除采用采用基于非抽样小波的多阈值去噪方法。3)数据标准化，对去噪后的心电数据进行归一化处理，并将数据集分为训练集和验证集4)模型训练阶段:设置卷积神经网络的结构，利用训练集的数据进行模型的训练，方法如下：A.设置卷积神经网络的结构，共包含6个卷积层，每个卷积层后面是批归一化层，批归一化层后面的激活函数采用的是修正线性单元ReLU激活函数，前三个卷积单元后添加最大池化层，最大池化层采用的是3×1模板，步长为2×1。前两个卷积层卷积核大小都为5×1，第三、四、五层的卷积层卷积核大小都为3×1，最后一个卷积层卷积核大小都为8×1，最后一个卷积层的卷积通道数为4，即情绪类别个数。其它卷积层的通道数为32。B.对卷积滤波器权重的参数进行初始化:方差为0.01，标准差为0，迭代的次数为80次。冲量大小为0.9，学习率为0.1；C.前向计算；根据输入数据和初始化后的滤波器权重，进行卷积计算。再对卷积后得到的特征图进行批归一化处理。再利用修正线性单元ReLU激活函数对批归一化后的数据进行非线性映射；如果有最大池化层，则进行池化处理，通过多次上述操作，得到最终的特征图，将最终的特征图作为输入数据，输入到Softmax分类器中得到最终的情绪识别结果；D.反向传播：根据前向计算分类的结果和标签，计算损失，并从最后一层到第一层，应用反向传播算法对卷积滤波器的权重参数的进行更新、优化，通过权重参数的学习、更新，使得训练误差不断降低，达到模型优化的目的；E.重复步骤B和步骤C，通过迭代来不断优化网络参数，直到达到终止条件。F.确定模型:根据网络训练结果，根据验证集数据的测试结果，选择其中验证集错误率最低的模型为最优模型，并将其确定为最终的使用模型。