CN111528866A - 一种基于LightGBM模型的EEG信号情绪识别方法 - Google Patents
一种基于LightGBM模型的EEG信号情绪识别方法 Download PDFInfo
- Publication number
- CN111528866A CN111528866A CN202010370752.2A CN202010370752A CN111528866A CN 111528866 A CN111528866 A CN 111528866A CN 202010370752 A CN202010370752 A CN 202010370752A CN 111528866 A CN111528866 A CN 111528866A
- Authority
- CN
- China
- Prior art keywords
- eeg signal
- emotion
- lightgbm model
- eeg
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000008909 emotion recognition Effects 0.000 title claims abstract description 15
- 230000008451 emotion Effects 0.000 claims abstract description 35
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000001131 transforming effect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000000994 depressogenic effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 claims 1
- 230000000306 recurrent effect Effects 0.000 claims 1
- 230000036651 mood Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010012374 Depressed mood Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000008667 sleep stage Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于LightGBM模型的EEG信号情绪识别方法。本方法包括了特制的EEG信号处理模块、特制的LightGBM模型模块和情绪分类模块三部分。本系统的工作原理为：(1)特制的EEG信号处理模块对EEG信号进行数据预处理和FFT变换得到数据的功率谱密度特征；(2)特制的LightGBM模型模块对数据的功率谱密度特征进行分析和分类；(3)情绪分类模块依据分类后的数据识别出EEG信号表示出的轻松、愉快、恐惧和沮丧四种情绪。本发明实现了基于LightGBM模型来判别EEG信号表示出的情绪，降低了EEG信号情绪识别对数据质量的要求和计算分析成本。
Description
技术领域
本发明属于EEG信号处理领域，具体涉及一种基于LightGBM模型的EEG信号情绪识别方法。
背景技术
随着深度学习技术在脑电信号识别中的良好表现，越来越多的算法不断被研究和应用。如用卷积神经网络模型进行EEG信号的分类任务，通过深度学习模型进行基于EEG信号的情绪识别和睡眠分期检测。
存在的问题是，这类模型算法对数据集的规模和质量有比较高的要求，同时对计算资源要求也比较高。
为此，我们设计了一种基于LightGBM模型的EEG信号情绪识别方法，相对于其他类机器学习算法能够较好的实现情绪类型检测和判别，降低了EEG信号情绪识别对数据质量和计算资源的要求。
发明内容
本发明的目的在于提供一种基于LightGBM模型的EEG信号情绪识别方法，以解决目前EEG信号情绪识别计算资源成本高且对EEG信号数据质量要求高的问题。通过构造LightGBM模型进行数据分析和特征分类，能够规避人工脑电信号提取和设计的不一致性，模型设计和分析上相对简洁，可更好地实现情绪类型检测。
为了实现上述目的，本发明提供如下技术方案：一种基于LightGBM模型的EEG信号情绪识别方法。本方法包括一套EEG信号的预处理、变换、分析、分类和判断的步骤，此步骤应用了特制的EEG信号处理模块、特制的LightGBM模型模块以及情绪分类模块三个部分。本方法EEG信号的预处理、变换、分析、分类和判断的步骤为：
第一步：通过特制的EEG信号处理模块对EEG信号进行预处理和变换，得到可用的原始脑电信号和信号得功率谱密度特征；
第二步：特制的LightGBM模型模块进行脑电信号功率谱密度特征分析，并将分析结果进行数据分类；
第三步：情绪分类模块对分类后信号数据进行情绪判断，实现对EEG信号表示的愉快、轻松、恐惧和沮丧四种情绪的判别。
优选的：所述第一步特制的EEG信号处理模块对EEG信号进行预处理和变换的流程为：
第一步：去除EEG信号噪声和伪迹，得到可用的原始脑电信号；
第二步：对可用的原始脑电信号进行FFT变换，得到信号对应的delta、theta、alpha、beta和gama的功率谱密度特征。
优选的：所述所述第二步特制的LightGBM模型模块对可用的原始脑电信号和其功率谱密度特征进行分析和分类的流程为：
第一步：应用LightGBM模型，对可用的原始脑电信号进行模型分析，把功率谱密度特征的直方图按均值排序，并按均值排序结果得出最优分割点；
第二步：按均值排序的数据结果和最优分割点进行分类。
优选的：所述第三步中情绪分类模块对分类后信号数据进行情绪判断的流程为：
第一步：把分类后的数据结果按情绪信号的所属特征进行愉快、轻松、恐惧和沮丧的情绪归类；
第二步：依据情绪归类输出EEG信号所表示的情绪判别结果。
与现有的技术相比，本发明的有益效果是：
(1)本发明构建了基于LightGBM模型的EEG信号情绪识别方法，能够判别EEG信号所表示的愉快、轻松、恐惧和沮丧的情绪；
(2)本发明应用了LightGBM模型，能够规避人工脑电信号提取和设计的不一致性，设计和分析上比较简洁，降低了对脑电信号数据的质量和计算资源的要求。
附图说明
图1为本发明的应用流程图；
图2为本发明的LightGBM模型示意图；
图3为本发明的愉快情绪的EEG信号特征参考示意图；
图4为本发明的恐惧情绪的EEG信号特征参考示意图；
图5为本发明的轻松情绪的EEG信号特征参考示意图；
图6为本发明的沮丧情绪的EEG信号特征参考示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明之较佳实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种基于LightGBM模型的EEG信号情绪识别方法。本方法包括一套EEG信号的预处理、变换、分析、分类和判断的步骤如图1所示。在实施例中具体为：
第一步：通过特制的EEG信号处理模块对EEG信号进行预处理和变换，得到可用的原始脑电信号和信号得功率谱密度特征；
第二步：特制的LightGBM模型模块进行脑电信号功率谱密度特征分析，并将分析结果进行数据分类；
第三步：情绪分类模块对分类后信号数据进行情绪判断，实现对EEG信号表示的愉快、轻松、恐惧和沮丧四种情绪的判别。
本实施例中，优选的，所述第一步特制的EEG信号处理模块对EEG信号进行预处理和变换的流程为：
第一步：去除EEG信号噪声和伪迹，得到可用的原始脑电信号；
第二步：对可用的原始脑电信号进行FFT变换，得到信号对应的delta、theta、alpha、beta和gama的功率谱密度特征。
本实施例中，优选的，所述第二步特制的LightGBM模型模块对可用的原始脑电信号和其功率谱密度特征进行分析和分类的流程为：
第一步：如图2所示应用LightGBM模型，对可用的原始脑电信号进行模型分析，把功率谱密度特征的直方图按均值排序，并按均值排序结果得出最优分割点；
第二步：按均值排序的数据结果和最优分割点进行分类。
本实施例中，优选的，所述第三步中情绪分类模块对分类后信号数据进行情绪判断的流程为：
第一步：把分类后的数据结果按情绪信号的所属特征进行愉快、轻松、恐惧和沮丧的情绪归类；
第二步：依据情绪归类输出EEG信号所表示的情绪判别结果。
本发明中的FFT变换的功率谱密度与EEG信号的所表示的情绪特征时序图参考参数范围：
FFT变换的功率谱密度：参考范围：
delta：0-4.5Hz
theta：4.5-8.5Hz
alpha：8.5-11.5Hz
beta：15.5-30Hz
gama：30-100Hz
EEG信号的所表示的情绪特征时序图：参考范围：
如图3-6所示。
Claims (4)
1.基于LightGBM模型的EEG信号情绪识别方法，其特征在于：包括EEG信号的预处理、变换、分析、分类和判断的步骤，所述EEG信号的预处理、变换、分析、分类和判断的步骤为：
第一步：通过特制的EEG信号处理模块对EEG信号进行预处理和变换，得到可用的原始脑电信号和信号得功率谱密度特征；
第二步：特制的LightGBM模型模块进行脑电信号功率谱密度特征分析，并将分析结果进行数据分类；
第三步：情绪分类模块对分类后信号数据进行情绪判断，实现对EEG信号表示的愉快、轻松、恐惧和沮丧四种情绪的判别。
2.根据权利要求1所述的基于LightGBM模型的EEG信号情绪识别方法，其特征在于所述第一步特制的EEG信号处理模块对EEG信号进行预处理和变换的流程为：
第一步：去除EEG信号噪声和伪迹，得到可用的原始脑电信号；
第二步：对可用的原始脑电信号进行FFT变换，得到信号对应的delta、theta、alpha、beta和gama的功率谱密度特征。
3.根据权利要求1所述的基于LightGBM模型的EEG信号情绪识别方法，其特征在于所述第二步特制的LightGBM模型模块对可用的原始脑电信号和其功率谱密度特征进行分析和分类的流程为：
第一步：应用LightGBM模型，对可用的原始脑电信号进行模型分析，把功率谱密度特征的直方图按均值排序，并按均值排序结果得出最优分割点；
第二步：按均值排序的数据结果和最优分割点进行分类。
4.根据权利要求1所述的基于递归神经网络的人工智能音乐创作系统，其特征在于所述第三步中情绪分类模块对分类后信号数据进行情绪判断的流程为：
第一步：把分类后的数据结果按情绪信号的所属特征进行愉快、轻松、恐惧和沮丧的情绪归类；
第二步：依据情绪归类输出EEG信号所表示的情绪判别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010370752.2A CN111528866A (zh) | 2020-04-30 | 2020-04-30 | 一种基于LightGBM模型的EEG信号情绪识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010370752.2A CN111528866A (zh) | 2020-04-30 | 2020-04-30 | 一种基于LightGBM模型的EEG信号情绪识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111528866A true CN111528866A (zh) | 2020-08-14 |
Family
ID=71967699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010370752.2A Pending CN111528866A (zh) | 2020-04-30 | 2020-04-30 | 一种基于LightGBM模型的EEG信号情绪识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111528866A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113208625A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于LightGBM算法的睡眠分期方法、系统 |
| CN113208633A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg脑波的情绪识别方法、系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107252317A (zh) * | 2017-06-15 | 2017-10-17 | 哈尔滨理工大学 | 一种基于脑电信号的情绪识别方法 |
| WO2018014436A1 (zh) * | 2016-07-18 | 2018-01-25 | 天津大学 | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 |
| CN108814595A (zh) * | 2018-03-15 | 2018-11-16 | 南京邮电大学 | 基于vr系统的脑电信号恐惧度分级特征研究 |
| CN109512442A (zh) * | 2018-12-21 | 2019-03-26 | 杭州电子科技大学 | 一种基于LightGBM的EEG疲劳状态分类方法 |
| CN110477914A (zh) * | 2019-08-09 | 2019-11-22 | 南京邮电大学 | 基于Android的情绪激励与脑电信号情绪识别系统 |
-
2020
- 2020-04-30 CN CN202010370752.2A patent/CN111528866A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018014436A1 (zh) * | 2016-07-18 | 2018-01-25 | 天津大学 | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 |
| CN107252317A (zh) * | 2017-06-15 | 2017-10-17 | 哈尔滨理工大学 | 一种基于脑电信号的情绪识别方法 |
| CN108814595A (zh) * | 2018-03-15 | 2018-11-16 | 南京邮电大学 | 基于vr系统的脑电信号恐惧度分级特征研究 |
| CN109512442A (zh) * | 2018-12-21 | 2019-03-26 | 杭州电子科技大学 | 一种基于LightGBM的EEG疲劳状态分类方法 |
| CN110477914A (zh) * | 2019-08-09 | 2019-11-22 | 南京邮电大学 | 基于Android的情绪激励与脑电信号情绪识别系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113208625A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于LightGBM算法的睡眠分期方法、系统 |
| CN113208633A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg脑波的情绪识别方法、系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106709469A (zh) | 基于脑电和肌电多特征的自动睡眠分期方法 | |
| CN111528866A (zh) | 一种基于LightGBM模型的EEG信号情绪识别方法 | |
| CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
| CN112999490A (zh) | 一种基于脑电波情绪识别的音乐疗愈系统及其处理方法 | |
| CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
| CN113076878A (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
| CN112562725A (zh) | 基于语谱图和胶囊网络的混合语音情感分类方法 | |
| Iqbal et al. | Mfcc and machine learning based speech emotion recognition over tess and iemocap datasets | |
| CN110598628B (zh) | 一种基于集成深度学习的肌电信号手部运动识别方法 | |
| CN111312394A (zh) | 一种基于组合情感的心理健康状况评估系统及其处理方法 | |
| CN109254654B (zh) | 一种结合PCA和PCANet的驾驶疲劳特征提取方法 | |
| CN112006696A (zh) | 基于皮肤电信号的情绪识别方法 | |
| Chen et al. | K-means clustering-based kernel canonical correlation analysis for multimodal emotion recognition | |
| CN111753713B (zh) | 基于稀疏表示和深度级联的心电信号身份识别方法和系统 | |
| CN113378673B (zh) | 一种基于一致性正则化的半监督脑电信号分类方法 | |
| Yu | Research on music emotion classification based on CNN-LSTM network | |
| CN111191548B (zh) | 一种基于s变换的放电信号识别方法及识别系统 | |
| CN110265049A (zh) | 一种语音识别方法及语音识别系统 | |
| CN111883178B (zh) | 一种基于双通道语音转图像式情感识别方法 | |
| CN113057654B (zh) | 基于频率耦合神经网络模型的记忆负荷检测提取系统及方法 | |
| CN115328661A (zh) | 一种基于语音和图像特征的算力均衡执行方法及芯片 | |
| CN108288068A (zh) | 一种复杂情绪场景下的脑电信号数据分类方法 | |
| CN109273025B (zh) | 一种中国民族五声调式情感识别方法及系统 | |
| CN112069897A (zh) | 基于知识图谱的语音和微表情识别自杀情绪感知方法 | |
| Esa et al. | Audio Deformation based data augmentation for convolution neural network in Vibration analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200814 |