CN112508088A - 一种基于dedbn-elm的脑电情感识别方法 - Google Patents

Abstract

本发明涉及一种基于DEDBN‑ELM的脑电情感识别方法，属于人机交互领域。该方法包括步骤：S1，将各个通道的脑电信号通过EMD进行分解，得到一系列IMF分量；S2，根据方差贡献率，选择IMF分量；S3，为每一个脑电通道构建一个DBN网络对选择出的IMF分量进行提取，分别得到每一个通道的深层特征；S4，将多个通道的深层特征作为极限学习机(ELM)的输入，进行特征学习和分类。本发明能够保证在对脑电数据集中积极、消极和中性3种情感状态进行特征提取和分类时有较高的识别率，鲁棒性好。

Description

一种基于DEDBN-ELM的脑电情感识别方法

技术领域

本发明属于人机交互领域，涉及一种基于DEDBN-ELM的脑电情感识别方法。

背景技术

当前情感识别主要是围绕人的非生理信号和生理信号两方面进行研究。基于生理信号的情感识别能够避免情感的伪装性以及主观性，因此能更好的评价人的情感状态。在基于生理信号的情感识别中，由于脑电图(EEG)信号直接从大脑中提取，更加能反应出大脑的活动状态，所以受备受关注，成为情绪识别领域的研究重点。目前小波变换，小波包变换，经验模态分解(EMD)方法被提出来。EMD能够根据信号本身的特点进行自适应分解，能够更好的处理脑电信号这种非线性非平稳信号，但是传统的方法都是对EMD分解之后的IMF进行手工特征选择和提取，易造成特征遗漏或者引人无关特征。深度信念网络(DBN)在处理大数据方面具有很大的优势，但是直接对原始脑电数据进行处理，易造成信息的冗余，并且识别率有待进一步提高。

发明内容

有鉴于此，本发明的目的在于提供一种基于DEDBN-ELM的脑电情感识别方法。

为达到上述目的，本发明提供如下技术方案：

一种基于DEDBN-ELM的脑电情感识别方法，该方法包括以下步骤：

S1：对各个脑电通道的脑电信号进行经验模态分解，得到一系列IMF分量；

S2：根据方差贡献率选择出贡献大的IMF分量；

S3：为每一个脑电通道构建一个DBN网络对选择出的IMF分量进行提取，分别得到每一个通道的深层特征；

S4：将多个通道的深层特征作为极限学习机ELM的输入，进行特征学习和分类。

可选的，所述步骤S1中，原始脑电信号为FT7、FT8、T7、T8、TP7、TP8、P7、P8、C5、C6、CP5、CP6这12个电极采集的消极、积极和中性三种情绪状态的脑电数据；

设计一种EMD分解之后的本征模函数IMF分量作为DBN的输入，对每个电极采集来的4S脑电进行经验模态分解步骤如下：

S11：找出信号x(t)的局部极大值和极小值，并采用三次样条插值法对极大值和极小值点进行曲线拟合，得到上包络线f_max(t)和下包络线f_min(t)；

S12：计算出上下包络线的均值曲线m(t)和原始信号与均值曲线的差值h₁(t)：

h₁(t)＝x(t)-m(t)

S13：用h₁(t)代替原始信号x(t)，重复S11～S12，直至所有包络趋近于0为止，得到第一个IMF分量，记为：c₁(t)＝h_k(t)原始信号与第一个IMF分量的差值称为第一个残差信号，记为r₁(t)：

r₁(t)＝x(t)-c₁(t)

S14：重复S11～S13，当r_n(t)为一个常数或者单调函数时整个EMD分解过程结束。

可选的，所述步骤S2中，根据方差贡献率选择IMF分量，各个IMF的贡献率为M_i：

D_i为第i个IMF分量的方差；根据方差贡献率，对于每个通道选择前两个IMF分量。

可选的，所述步骤S3中，DBN网络提取对所选择的IMF分量进行特征提取具体为：

将选择出的IMF分量进行归一化，分为取出3/4的样本作为训练集

n＝1,2,...,N；

S31：分别将w，a，b初始化为一个很小的值；

S32：利用公式p(h_j＝1|v)＝σ(b_j+∑_iw_ijv_i)，计算

并按照这个概率分别采集一个隐向量h，计算正向梯度

S33：利用公式p(v_i＝1|h)＝σ(a_i+∑_iw_ijh_j)计算p(v＝1|h)，并按照这个概率分布采集重构的可见变量v′，计算p(h＝1|v′)，进行采样得到h′，计算反向梯度v′h′^T；

S34：按照下式对w，a，b进行更新；

b←b+α(h-h′)

其中，α为学习率，设置为0.01；每个DBN有6个隐含层，隐含层的节点数分别为1200、800、400、100、50和20，迭代次数为3000次。

可选的，所述步骤S4中，将多个通道的深层特征作为极限学习机ELM的输入，进行特征学习和分类，过程如下：

ELM网络表示为：

ω_i和b_i分别表示为ELM的输入层到隐含层的权重和偏置，ρ_i表示隐含层到输出层之间的权重，C为脑电通道，l为DBN隐层数，T为DBN最后一个隐层节点数，C×T为ELM输入层节点数；

最小化输出误差表示为：

将问题转化为h_l+1β＝O,h_l+1β表示DBN最后一个隐含层l到ELM隐含层的输出：

问题简化为存在

使得

ω_i和b_i分别为ELM输入层到隐含层的权重和偏置，随机初始化并得到唯一输出矩阵h_l+1，并根据期望求输出矩阵O，将学习分类问题进一步转成求解线性系统h_l+1β＝O，则

本发明的有益效果在于：本发明提供了一种基于EDBN-ELM的脑电情感识别方法。本文的算法相较于其他算法，能够对脑电信号实现更加精细的划分，实现脑电特征的自动提取，并且提取的特征更加全面有效，鲁棒性更好，识别率高。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明框架图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1，为一种基于EDBN-ELM脑电情感识别方法，其包括如下步骤：

S1，对FT7、FT8、T7、T8、TP7、TP8、P7、P8、C5、C6、CP5、CP6这12个电极采集的消极、积极和中性三种情绪状态的脑电数据进行经验模态分解：

S11找出信号x(t)的局部极大值和极小值，并采用三次样条插值法对极大值和极小值点进行曲线拟合，得到上包络线f_max(t)和下包络线f_min(t)。

S11计算出上下包络线的均值曲线m(t)和原始信号与均值曲线的差值h₁(t)：

h₁(t)＝x(t)-m(t)

S13用h₁(t)代替原始信号x(t)，重复S11～S12，直至所有包络趋近于0为止，得到第一个IMF分量，记为：c₁(t)＝h_k(t)原始信号与第一个IMF分量的差值称为第一个残差信号，记为r₁(t):

r₁(t)＝x(t)-c₁(t)

S2，根据方差贡献率选择出贡献大的IMF分量：

其中，D_i为第i个IMF分量的方差。根据方差贡献率，对于每个通道选择了前两个IMF分量。

S3，为每一个脑电通道构建一个DBN网络对选择出的IMF分量进行提取，分别得到每一个通道的深层特征：

将选择出的IMF分量进行归一化，分为取出3/4的样本作为训练集

S31分别将w，a，b初始化为一个很小的值；

S32利用公式p(h_j＝1|v)＝σ(b_j+∑_iw_ijv_i)，计算

并按照这个概率分别采集一个隐向量h，计算正向梯度

S33利用公式p(v_i＝1|h)＝σ(a_i+∑_iw_ijh_j)计算p(v＝1|h)，并按照这个概率分布采集重构的可见变量v′，计算p(h＝1|v′)，进行采样得到h′，计算反向梯度v′h′^T；

S34按照下式对w，a，b进行更新。

b←b+α(h-h′)

其中，α为学习率。这里设置值为0.01。隐含层的节点数分别为1200、800、400、100、50、20。迭代次数为3000次。

S4，将多个通道的深层特征作为极限学习机ELM的输入，进行特征学习和分类：

ELM网络可以表示为：

ω_i和b_i分别表示为ELM的输入层到隐含层的权重和偏置，ρ_i表示隐含层到输出层之间的权重，C为脑电通道，l为DBN隐层数，T为DBN最后一个隐层节点数，C×T为ELM输入层节点数。

最小化输出误差可以表示为：

进一步，可以将问题转化为h_l+1β＝O,h_l+1β表示DBN最后一个隐含层l到ELM隐含层的输出：

此时，问题可以简化为存在

使得

ω_i和b_i分别为ELM输入层到隐含层的权重和偏置，随机初始化并得到唯一输出矩阵h_l+1，并根据期望求输出矩阵O，将学习分类问题进一步转成求解线性系统h_l+1β＝O，则

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于DEDBN-ELM的脑电情感识别方法，其特征在于：该方法包括以下步骤：

S1：对各个脑电通道的脑电信号进行经验模态分解，得到一系列IMF分量；

S2：根据方差贡献率选择出贡献大的IMF分量；

S3：为每一个脑电通道构建一个DBN网络对选择出的IMF分量进行提取，分别得到每一个通道的深层特征；

S4：将多个通道的深层特征作为极限学习机ELM的输入，进行特征学习和分类。

2.根据权利要求1所述的一种基于DEDBN-ELM的脑电情感识别方法，其特征在于：所述步骤S1中，原始脑电信号为FT7、FT8、T7、T8、TP7、TP8、P7、P8、C5、C6、CP5、CP6这12个电极采集的消极、积极和中性三种情绪状态的脑电数据；

设计一种EMD分解之后的本征模函数IMF分量作为DBN的输入，对每个电极采集来的4S脑电进行经验模态分解步骤如下：

S11：找出信号x(t)的局部极大值和极小值，并采用三次样条插值法对极大值和极小值点进行曲线拟合，得到上包络线f_max(t)和下包络线f_min(t)；

S12：计算出上下包络线的均值曲线m(t)和原始信号与均值曲线的差值h₁(t)：

h₁(t)＝x(t)-m(t)

S13：用h₁(t)代替原始信号x(t)，重复S11～S12，直至所有包络趋近于0为止，得到第一个IMF分量，记为：c₁(t)＝h_k(t)原始信号与第一个IMF分量的差值称为第一个残差信号，记为r₁(t)：

r₁(t)＝x(t)-c₁(t)

S14：重复S11～S13，当r_n(t)为一个常数或者单调函数时整个EMD分解过程结束。

3.根据权利要求2所述的一种基于DEDBN-ELM的脑电情感识别方法，其特征在于：所述步骤S2中，根据方差贡献率选择IMF分量，各个IMF的贡献率为M_i：

D_i为第i个IMF分量的方差；根据方差贡献率，对于每个通道选择前两个IMF分量。

4.根据权利要求3所述的一种基于DEDBN-ELM的脑电情感识别方法，其特征在于：所述步骤S3中，DBN网络提取对所选择的IMF分量进行特征提取具体为：

将选择出的IMF分量进行归一化，分为取出3/4的样本作为训练集

S31：分别将w，a，b初始化为一个很小的值；

S32：利用公式p(h_j＝1|v)＝σ(b_j+∑_iw_ijv_i)，计算

并按照这个概率分别采集一个隐向量h，计算正向梯度

S33：利用公式p(v_i＝1|h)＝σ(a_i+∑_iw_ijh_j)计算p(v＝1|h)，并按照这个概率分布采集重构的可见变量v′，计算p(h＝1|v′)，进行采样得到h′，计算反向梯度v′h′^T；

S34：按照下式对w，a，b进行更新；

b←b+α(h-h′)

其中，α为学习率，设置为0.01；每个DBN有6个隐含层，隐含层的节点数分别为1200、800、400、100、50和20，迭代次数为3000次。

5.根据权利要求3所述的一种基于DEDBN-ELM的脑电情感识别方法，其特征在于：所述步骤S4中，将多个通道的深层特征作为极限学习机ELM的输入，进行特征学习和分类，过程如下：

ELM网络表示为：

ω_i和b_i分别表示为ELM的输入层到隐含层的权重和偏置，ρ_i表示隐含层到输出层之间的权重，C为脑电通道，l为DBN隐层数，T为DBN最后一个隐层节点数，C×T为ELM输入层节点数；

最小化输出误差表示为：

将问题转化为h_l+1β＝O,h_l+1β表示DBN最后一个隐含层l到ELM隐含层的输出：

问题简化为存在

使得

ω_i和b_i分别为ELM输入层到隐含层的权重和偏置，随机初始化并得到唯一输出矩阵h_l+1，并根据期望求输出矩阵O，将学习分类问题进一步转成求解线性系统h_l+1β＝O，则

Images