CN112465069B - 一种基于多尺度卷积核cnn的脑电情绪分类方法 - Google Patents

一种基于多尺度卷积核cnn的脑电情绪分类方法 Download PDF

Info

Publication number
CN112465069B
CN112465069B CN202011478666.XA CN202011478666A CN112465069B CN 112465069 B CN112465069 B CN 112465069B CN 202011478666 A CN202011478666 A CN 202011478666A CN 112465069 B CN112465069 B CN 112465069B
Authority
CN
China
Prior art keywords
data
feature
samples
convolution kernel
sample
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.)
Active
Application number
CN202011478666.XA
Other languages
English (en)
Other versions
CN112465069A (zh
Inventor
马玉良
戴紫玉
潘隽锴
祝真滨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011478666.XA priority Critical patent/CN112465069B/zh
Publication of CN112465069A publication Critical patent/CN112465069A/zh
Application granted granted Critical
Publication of CN112465069B publication Critical patent/CN112465069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/245Classification techniques relating to the decision surface
    • G06F18/2453Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/285Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12Classification; Matching
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Nonlinear Science (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多尺度卷积核CNN的脑电情绪分类方法。选用SEED数据集作为实验数据,使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型进行分类测试;首先对预处理数据提取每个频段上的微分熵特征,并用线性动态系统方法进行特征平滑;其次使用reliefF算法对数据进行特征选择,然后将数据切割成适合作为多尺度卷积核CNN输入的特征样本,并进行归一化处理;最后使用多尺度卷积核CNN对处理的样本进行分类测试。本发明采用将reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型方法,可以有效的提高情绪脑电信号分类率,对智能人机交互领域和脑电情感识别都具有重要的意义。

Description

一种基于多尺度卷积核CNN的脑电情绪分类方法
技术领域
本发明涉及一种脑电情绪特征分类方法,特别涉及一种基于多尺度卷积核CNN的脑电情绪分类方法。
背景技术
传统的情绪识别主要是基于面部特征、肢体动作和语音的研究,这些外在特征容易伪装,并不能反应出真实的情绪,脑电信号可以反映大脑在加工情绪时所伴随的神经电生理活动,能够很好的弥补传统研究方法的缺陷。传统的人工提取情感特征结合机器学习相关算法取得了较好的发展,传统的方法大都需要大量先验知识寻找脑电信号的特征,构建特征工程,而脑电信号容易受到噪声干扰,且不同被试之间的差异性,使得基于脑电信号人工特征选取耗费大量的时间和精力。
传统CNN卷积层中采用单一尺寸的卷积核,不能从多个维度来提取脑电信号中的情绪特征,针对这一问题,本研究尝试采用多尺度卷积核,从高维度和低维度同时提取情绪脑电特征,并在国际公开数据集SEED上进行实验。
发明内容
本发明针对现有技术的不足,使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型对脑电数据进行情绪分类测试,提出了一种基于多尺度卷积核CNN的脑电情绪分类方法。
本发明首先使用reliefF算法对数据进行特征选择,去除冗余特征;其次在CNN的卷积层上增加不同尺度的卷积核来构建多尺度卷积核CNN,相比于传统的CNN,多尺度卷积核CNN扩大了卷积层提取特征的维度,减少了卷积层层数,降低了网络复杂度;最后用多尺度卷积核CNN来对特征选择后的数据进行情绪分类测试,此方法能有效提高脑电情绪分类准确率。
按照本发明提供的技术方案,提出了一种基于多尺度卷积核CNN的脑电情绪特征识别方法,包括以下步骤:
步骤1、选用SEED数据集作为脑电信号情绪三分类实验的数据集;
步骤2、将预处理数据集中的数据提取微分熵特征,并用线性动态系统方法进行特征平滑,得到特征提取后的数据集;
步骤3、使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型对步骤2中得到的数据集中的数据进行分类测试;首先使用reliefF算法对数据进行特征选择;具体步骤为:
3-1.从样本集g中随机选择任意的样本Qi
3-2.从与Qi同类的样本中选择k个与Qi距离最近的样本;从与Qi不同类的样本中选择k个与Qi距离最近的样本;
3-3.根据下面公式更新每个特征的权重值:
其中W(A)表示特征A的权重值;Hj表示与Qi同类的k个最近邻样本中的第j个样本;p(C)表示在训练样本中类别为C的样本所占的比例;p(class(Qi))表示与Qi同类的样本在总样本中所占的比例,class(Qi)表示样本Qi对应的标签;m为总样本数;Mj(C)表示类别为C的k个样本中的第j个最邻近样本,C与Qi不同类;函数diff(A,Q1,Q2)表示样本Q1和Q2在特征A上的差,计算方法如下:
Q1[A]和Q2[A]分别表示样本Q1和Q2在特征A上的值;max(A)和min(A)分别表示所有样本中特征A的最大值和最小值;
3-4.根据得到的权重值大小,选择合适的阈值,大于阈值的权重值保留,小于阈值的权重值剔除,保留下来的特征值构成最终的特征子集;
步骤4、将步骤3得到的特征子集中的数据切割成多个矩阵,进行归一化处理,作为多尺度卷积核CNN输入的特征样本;
步骤5、使用多尺度卷积核CNN对处理的样本进行分类测试;具体步骤为:
5-1.将步骤4归一化后的数据随机打乱,并将随机打乱的数据及其对应标签按照比例8∶2分为训练样本和测试样本;
5-2.模型第二层为卷积层,采用多尺度卷积核对输入信号进行不同维度的特征提取;
5-3.模型第三层为池化层,采用空间金字塔池化,目的是将卷积层输出的特征图大小转变成相同的尺寸;
5-4.第四层为全连接层,将数据铺平为分类做准备;
5-5.第五层为输出层,采用Softmax分类器,连接的密集神经层的输出维数为3,每类一个单元,按照类别设置输出单元个数,即分类类别取决于输出神经元的数量。
作为优选,所述的数据集包含了62个通道上记录的脑电信号,根据国际10-20标准系统记录;对采集的信号进行预处理,原始EEG数据被降采样到200HZ,为了滤除噪声和去除伪影,用0-75HZ的带通滤波器对EEG数据进行处理,提取与观影时长相对应的脑电图片段,得到预处理后的数据集。
作为优选,所述步骤4中,先对数据进行切割再进行归一化处理,具体为:
提取微分熵特征后的数据集的数据格式为:通道数×电位值×频段,其中通道数为62,频段为5,电位值为每段视频持续的时间,每名受试按照顺序观看15个电影片段,15个电影片段时长共3394s,每名被试实验三次;使用reliefF算法对数据进行特征选择后,保留下来的特征维数为M,将样本数据切割成M×5×1的矩阵大小,则每名被试三次实验相加的样本数为10182个;
采用零均值规范化对数据进行归一化处理,零均值规范化也称标准差标准化,经过处理的数据的均值为0,标准差为1,转化公式为:
其中为原始数据的均值,σ为原始数据的标准差;脑电信号进行零均值规范化后使所有数据在相同的数量级上,以便后续分类处理。
作为优选,所述步骤5中,所述的多尺度卷积核CNN结构为:
设置多尺度卷积核尺寸为:M×5×1,M×3×1,M×1×1,每个尺寸的卷积核各128个,卷积步长设置为1;卷积层输出的特征图大小分别为:1×76×1×128、1×70×1×128、1×57×1×128;
池化层选用的矩阵大小分别为:1×76×1、1×70×1、1×57×1,步长设置为1,使得输出矩阵大小均为1×1×1×128;
其中损失函数采用将交叉熵函数与L1正则化项融合的形式,公式如下:
其中第一项是交叉熵函数,p为期望输出,q为实际输出;第二项为L1正则化项,λ为正则化系数,n为样本数量,w为特征的权重。
本发明与现有技术相比,有益效果如下:
首先使用reliefF算法对数据进行特征选择,能有效的去除冗余特征,降低计算量;一般CNN的卷积层采用的是单一尺寸的卷积核,为了提取信号更深层次的特征,需要构建多个卷积层,从而使网络结构变得复杂,网络层数的增加会使网络参数成倍增长,不利于网络的快速收敛,严重影响网络性能,本发明在经典CNN模型基础上进行改进,在CNN的卷积层上增加不同尺度的卷积核,扩大了卷积层提取特征的维度,对于情绪脑电的识别,具有很好的分类优势。
附图说明
图1为SEED数据集实验流程图;
图2为脑电采集设备的62通道电极分布图;
图3为电影片段顺序及其持续时间;
图4为多尺度卷积核CNN结构图;
图5为情绪脑电特征提取与分类流程图;
具体实施方式
下面结合具体实施例对本发明进一步说明。以下描述仅作为示范和解释,并不对本发明作任何形式上的限制。
步骤1.选取SEED数据集作为实验数据;
步骤2.对数据提取微分熵特征,并用线性动态系统方法进行特征平滑,得到特征提取后的数据集;
步骤3、使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型对步骤2中得到的数据集中的数据进行分类测试;首先使用reliefF算法对数据进行特征选择,得到最终的特征子集。
步骤4、将步骤3中得到的特征子集中的数据切割成合适大小的矩阵,然后进行归一化处理并打乱;
步骤5、将随机打乱的数据及其对应标签按照比例8∶2分为训练样本和测试样本;最后使用多尺度卷积核CNN对处理的样本进行分类测试。
所述步骤1中,SEED数据集实验流程如图1所示,数据集包含了62个通道上记录的脑电信号,根据国际10-20标准系统记录,如图2所示。对采集的信号进行预处理,原始EEG数据被降采样到200HZ,为了滤除噪声和去除伪影,用0-75HZ的带通滤波器对EEG数据进行处理,提取与每部电影的时长相对应的脑电图片段,得到预处理后的数据集;
所述步骤2中,对数据提取微分熵特征,并用线性动态系统方法进行特征平滑。提取脑电信号的微分特征,是因为微分熵特征相对于其它特征而言更适合情绪识别。根据信号的持续时间将信号分成多个1s段,假设信号在1s的时间间隔内近似为一个平稳的过程,在每一段中,使用256点非重叠汉宁窗短时傅里叶变换计算预处理后的数据五个频段(δ:1-3Hz,θ:4-7Hz,α:8-13Hz,β:14-30Hz,γ:31-50Hz)的微分熵特征。
所述步骤3中,使用reliefF算法对数据进行特征选择,具体步骤为:
3-1.从样本集Q中随机选择任意的样本Qi
3-2.从与Qi同类的样本中选择k个与Qi距离最近的样本;从与Qi不同类的样本中选择k个与Qi距离最近的样本;
3-3.根据下面公式更新每个特征的权重值:
其中W(A)表示特征A的权重值;Hj表示与Qi同类的k个最近邻样本中的第j个样本;p(C)表示在训练样本中类别为C的样本所占的比例;p(class(Qi))表示与Qi同类的样本在总样本中所占的比例,class(Qi)表示样本Qi对应的标签;m为总样本数;Mj(C)表示类别为C的k个样本中的第j个最邻近样本,C与Qi不同类;函数diff(A,Q1,Q2)表示样本Q1和Q2在特征A上的差,计算方法如下:
Q1[A]和Q2[A]分别表示样本Q1和Q2在特征A上的值;max(A)和min(A)分别表示所有样本中特征A的最大值和最小值;
3-4.根据得到的权重值大小,选择合适的阈值,大于阈值的权重值保留,小于阈值的权重值剔除,保留下来的特征值构成最终的特征子集;
所述步骤4中,先对样本数据进行切割,再进行归一化处理,具体为:
提取DE特征后的数据集的数据格式为:通道数×电位值×频段,其中通道数为62,频段为5,电位值为每段视频持续的时间,每名受试按照图3的顺序观看15个电影片段,图3还给出每个片段持续的时间,共持续3394s,每名被试实验三次;使用reliefF算法对数据进行特征选择后,保留下来的特征维数为M,将样本数据切割成M×5×1的矩阵大小,则每名被试三次实验相加的样本数为10182个。
本文采用零均值规范化对数据进行归一化处理,零均值规范化也称标准差标准化,经过处理的数据的均值为0,标准差为1。转化公式为:
其中为原始数据的均值,σ为原始数据的标准差;脑电信号进行零均值规范化后可以使所有数据在相同的数量级上,以便后续分类处理。
所述步骤5中,使用多尺度卷积核CNN对分配好的样本进行分类测试,具体步骤为:
5-1.将步骤4归一化后的数据随机打乱,并将随机打乱的数据及其对应标签按照比例8∶2分为训练样本和测试样本;
5-2.模型第二层为卷积层,采用多尺度卷积核对输入信号进行不同维度的特征提取,设置多尺度卷积核尺寸为:M×5×1,M×3×1,M×1×1,每个尺寸的卷积核各128个,卷积步长设置为1;卷积层输出的特征图大小分别为:1×76×1×128、1×70×1×128、1×57×1×128;
5-3.模型第三层为池化层,采用空间金字塔池化,目的是将卷积层输出的特征图大小转变成相同的尺寸池化层选用的矩阵大小分别为:1×76×1、1×70×1、1×57×1,步长设置为1,使得输出矩阵大小均为1×1×1×128;
5-4.第四层为全连接层,将数据铺平为分类做准备;
5-5.第五层为输出层,采用Softmax分类器,连接的密集神经层的输出维数为3,每类一个单元,按照类别设置输出单元个数,即分类类别取决于输出神经元的数量。
多尺度卷积核CNN模型结构图如图4所示,其中多尺度卷积核CNN的前向传播公式为:
式中:为l-1层的第i个特征图的输入信号;/>为第l层的第j个特征图的输出值;Mj为特征图的一组;符号*代表卷积;/>为第l-1层的第i个特征图与l层的第j个特征图之间的可学习的卷积核;b为输出特征图的偏置;f(·)表示输出的激活函数,此网络模型采用Relu激活函数。
损失函数采用将交叉熵函数与L1正则化项融合的形式,公式如下:
其中第一项是交叉熵函数,p为期望输出,q为实际输出;第二项为L1正则化项,λ为正则化系数,n为样本数量,w为特征的权重。
Softmax分类器表达式为:
k为类别数,zj表示第j个类别的线性预测概率,zk为k个类别的线性预测概率之和,fj(z)表示每一类的归一化预测结果。反向传播时,使用Adam梯度算法。
关于网络超参数设置:网络采用Adam算法对损失函数进行优化,初始学习率为0.001。训练的batch size取62,epoch设置为600。
全部工作流程如图5所示。本发明在情绪识别的领域中,探索以情绪脑电信号作为特征提取对象,将reliefF算法与多尺度卷积核CNN相结合,提出了一种新的特征选择与分类模型方法,首先使用reliefF算法对数据进行特征选择,去除冗余特征;其次在经典CNN模型的基础上进行改进,得到多尺度卷积核CNN模型,本发明的方法在情绪脑电特征分类上十分具有研究价值。

Claims (4)

1.一种基于多尺度卷积核CNN的脑电情绪分类方法,其特征在于,包括如下步骤:
步骤1、选用SEED数据集作为脑电信号情绪三分类实验的数据集;
步骤2、将预处理数据集中的数据提取微分熵特征,并用线性动态系统方法进行特征平滑,得到特征提取后的数据集;
步骤3、使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型对步骤2中得到的数据集中的数据进行分类测试;首先使用reliefF算法对数据进行特征选择;具体步骤为:
3-1.从样本集Q中随机选择任意的样本Qi
3-2.从与Qi同类的样本中选择k个与Qi距离最近的样本;从与Qi不同类的样本中选择k个与Qi距离最近的样本;
3-3.根据下面公式更新每个特征的权重值:
其中W(A)表示特征A的权重值;Hj表示与Qi同类的k个最近邻样本中的第j个样本;p(C)表示在训练样本中类别为C的样本所占的比例;p(class(Qi))表示与Qi同类的样本在总样本中所占的比例,class(Qi)表示样本Qi对应的标签;m为总样本数;Mj(C)表示类别为C的k个样本中的第j个最邻近样本,C与Qi不同类;函数diff(A,Q1,Q2)表示样本Q1和Q2在特征A上的差,计算方法如下:
Q1[A]和Q2[A]分别表示样本Q1和Q2在特征A上的值;max(A)和min(A)分别表示所有样本中特征A的最大值和最小值;
3-4.根据得到的权重值大小,选择合适的阈值,大于阈值的权重值保留,小于阈值的权重值剔除,保留下来的特征值构成最终的特征子集;
步骤4、将步骤3得到的特征子集中的数据切割成多个矩阵,进行归一化处理,作为多尺度卷积核CNN输入的特征样本;
步骤5、使用多尺度卷积核CNN对处理的样本进行分类测试;具体步骤为:
5-1.将步骤4归一化后的数据随机打乱,并将随机打乱的数据及其对应标签按照比例8:2分为训练样本和测试样本;
5-2.模型第二层为卷积层,采用多尺度卷积核对输入信号进行不同维度的特征提取;
5-3.模型第三层为池化层,采用空间金字塔池化,目的是将卷积层输出的特征图大小转变成相同的尺寸;
5-4.第四层为全连接层,将数据铺平为分类做准备;
5-5.第五层为输出层,采用Softmax分类器,连接的密集神经层的输出维数为3,每类一个单元,按照类别设置输出单元个数,即分类类别取决于输出神经元的数量。
2.根据权利要求1所述的一种基于多尺度卷积核CNN的脑电情绪分类方法,其特征在于:所述的数据集包含了62个通道上记录的脑电信号,根据国际10-20标准系统记录;对采集的信号进行预处理,原始EEG数据被降采样到200HZ,为了滤除噪声和去除伪影,用0-75HZ的带通滤波器对EEG数据进行处理,提取与观影时长相对应的脑电图片段,得到预处理后的数据集。
3.根据权利要求1所述的一种基于多尺度卷积核CNN的脑电情绪分类方法,其特征在于:所述步骤4中,先对数据进行切割再进行归一化处理,具体为:
提取微分熵特征后的数据集的数据格式为:通道数×电位值×频段,其中通道数为62,频段为5,电位值为每段视频持续的时间,每名受试按照顺序观看15个电影片段,15个电影片段时长共3394s,每名被试实验三次;使用reliefF算法对数据进行特征选择后,保留下来的特征维数为M,将样本数据切割成M×5×1的矩阵大小,则每名被试三次实验相加的样本数为10182个;
采用零均值规范化对数据进行归一化处理,零均值规范化也称标准差标准化,经过处理的数据的均值为0,标准差为1,转化公式为:
其中为原始数据的均值,σ为原始数据的标准差;脑电信号进行零均值规范化后使所有数据在相同的数量级上,以便后续分类处理。
4.根据权利要求1所述的一种基于多尺度卷积核CNN的脑电情绪分类方法,其特征在于:所述步骤5中,所述的多尺度卷积核CNN结构为:
设置多尺度卷积核尺寸为:M×5×1,M×3×1,M×1×1,每个尺寸的卷积核各128个,卷积步长设置为1;卷积层输出的特征图大小分别为:1×76×1×128、1×70×1×128、1×57×1×128;
池化层选用的矩阵大小分别为:1×76×1、1×70×1、1×57×1,步长设置为1,使得输出矩阵大小均为1×1×1×128;
其中损失函数采用将交叉熵函数与L1正则化项融合的形式,公式如下:
其中第一项是交叉熵函数,p为期望输出,q为实际输出;第二项为L1正则化项,λ为正则化系数,n为样本数量,w为特征的权重。
CN202011478666.XA 2020-12-15 2020-12-15 一种基于多尺度卷积核cnn的脑电情绪分类方法 Active CN112465069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011478666.XA CN112465069B (zh) 2020-12-15 2020-12-15 一种基于多尺度卷积核cnn的脑电情绪分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011478666.XA CN112465069B (zh) 2020-12-15 2020-12-15 一种基于多尺度卷积核cnn的脑电情绪分类方法

Publications (2)

Publication Number Publication Date
CN112465069A CN112465069A (zh) 2021-03-09
CN112465069B true CN112465069B (zh) 2024-02-06

Family

ID=74804336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011478666.XA Active CN112465069B (zh) 2020-12-15 2020-12-15 一种基于多尺度卷积核cnn的脑电情绪分类方法

Country Status (1)

Country Link
CN (1) CN112465069B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011330B (zh) * 2021-03-19 2022-09-02 中国科学技术大学 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法
CN113177482A (zh) * 2021-04-30 2021-07-27 中国科学技术大学 一种基于最小类别混淆的跨个体脑电信号分类方法
CN113558644B (zh) * 2021-07-20 2024-03-22 陕西科技大学 一种3d矩阵与多维卷积网络的情感分类方法、介质和设备
CN114504331A (zh) * 2022-02-25 2022-05-17 北京工业大学 一种融合cnn和lstm的情绪识别分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110353702A (zh) * 2019-07-02 2019-10-22 华南理工大学 一种基于浅层卷积神经网络的情感识别方法及系统
CN110464366A (zh) * 2019-07-01 2019-11-19 华南师范大学 一种情绪识别方法、系统及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6427137B2 (en) * 1999-08-31 2002-07-30 Accenture Llp System, method and article of manufacture for a voice analysis system that detects nervousness for preventing fraud

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110464366A (zh) * 2019-07-01 2019-11-19 华南师范大学 一种情绪识别方法、系统及存储介质
CN110353702A (zh) * 2019-07-02 2019-10-22 华南理工大学 一种基于浅层卷积神经网络的情感识别方法及系统

Also Published As

Publication number Publication date
CN112465069A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112465069B (zh) 一种基于多尺度卷积核cnn的脑电情绪分类方法
CN110069958B (zh) 一种密集深度卷积神经网络的脑电信号快速识别方法
Chen et al. Environmental sound classification with dilated convolutions
CN114052735B (zh) 一种基于深度领域自适应的脑电情绪识别方法及系统
CN111832416A (zh) 一种基于增强卷积神经网络的运动想象脑电信号识别方法
CN111709267B (zh) 深度卷积神经网络的脑电信号情感识别方法
CN112244873A (zh) 一种基于混合神经网络的脑电时空特征学习与情感分类方法
CN112766355B (zh) 一种标签噪声下的脑电信号情绪识别方法
CN113011239B (zh) 一种基于最优窄频带特征融合的运动想象分类方法
CN111461201B (zh) 基于相空间重构的传感器数据分类方法
CN113158964B (zh) 一种基于残差学习和多粒度特征融合的睡眠分期方法
CN114176607B (zh) 一种基于视觉Transformer的脑电信号分类方法
CN108921141B (zh) 一种基于深度自编码神经网络的脑电信号eeg特征提取方法
An et al. Electroencephalogram emotion recognition based on 3D feature fusion and convolutional autoencoder
CN114298216A (zh) 一种基于时间-频域融合Transformer的脑电视觉分类方法
CN115381466A (zh) 基于AE和Transformer的运动想象脑电信号分类方法
CN113180659A (zh) 一种基于三维特征和空洞全卷积网络的脑电情感识别系统
CN114366124A (zh) 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法
CN116211319A (zh) 一种基于图注意力网络和稀疏编码的静息态多通道脑电信号识别方法
CN115795346A (zh) 一种人体脑电信号的分类识别方法
Stuchi et al. Frequency learning for image classification
CN113011330B (zh) 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法
CN113128353B (zh) 面向自然人机交互的情绪感知方法及其系统
CN116628420A (zh) 一种基于lstm神经网络元学习的脑电波信号处理方法
CN116421200A (zh) 一种基于并行训练的多任务混合模型的脑电情感分析方法

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
GR01 Patent grant
GR01 Patent grant