CN114492506A - 基于双层脑网络的脑电信号情绪识别方法及系统 - Google Patents

基于双层脑网络的脑电信号情绪识别方法及系统 Download PDF

Info

Publication number
CN114492506A
CN114492506A CN202111603644.6A CN202111603644A CN114492506A CN 114492506 A CN114492506 A CN 114492506A CN 202111603644 A CN202111603644 A CN 202111603644A CN 114492506 A CN114492506 A CN 114492506A
Authority
CN
China
Prior art keywords
brain network
emotion recognition
electroencephalogram
double
layer
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
Application number
CN202111603644.6A
Other languages
English (en)
Inventor
郑向伟
张世麟
苏德健
张劲松
王智超
张明哲
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.)
Shandong Normal University
Original Assignee
Shandong Normal 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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202111603644.6A priority Critical patent/CN114492506A/zh
Publication of CN114492506A publication Critical patent/CN114492506A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • A61B5/24—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]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于双层脑网络的脑电信号情绪识别方法及系统，包括对获取的脑电信号进行眼电去除、降采样和基线校正；对预处理后的脑电信号采用小波包变换进行频带分解并采用互信息构建连通性矩阵，根据矩阵，采用Prim算法构建基于最小生成树的脑网络并提取特征；对连通性矩阵采用阈值选择构建得到基于阈值选择的脑网络并提取特征。对双层脑网络中提取的特征基于贝叶斯加权平均的方法进行特征融合，得到融合后的特征向量；将融合后的特征向量输入随机森林分类器模型中，得到情绪识别结果。本发明通过融合双层脑网络特征，有效提高了脑电信号情绪识别的准确率。

Description

基于双层脑网络的脑电信号情绪识别方法及系统
技术领域
本发明涉及情绪识别技术领域，尤其涉及一种基于双层脑网络的脑电信号情绪识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
近年来，人工智能(Artificial Intelligence，AI)技术的快速发展使得计算机具有理解人类情绪的能力成为可能。在计算机科学和认知科学等领域中，情绪识别已经成为了研究的热点。人类的情绪可以通过外在的面部表情、行为姿态或者内在的生理信号识别出来，然而，外在表现出的特征容易被伪装和隐藏，不能够准确地反映最真实的内在情绪状态。通过各种生理信号识别情绪则更加的客观可靠，其中，脑电(Electroencephalogram，EEG)信号具有实时、准确等特点，尤其受到研究人员的关注和使用。
基于EEG信号的情绪识别是一项复杂的任务，难以通过单一维度的特征来获得较高的情绪识别准确率。所以，如何从EEG信号中提取出最能够表征情绪状态的特征以及怎样融合不同维度的特征成为关键的挑战。
发明人发现，现有的情绪识别方法中存在以下技术问题：
(1)在脑电情绪识别领域中，时域、频域和非线性等常用的情绪分析方法都是基于单个通道上提取特征，但是情绪产生的过程中伴随着大脑中不同脑区之间信息的传递，基于单通道的方法忽略了脑区之间的信息交互。认知神经科学的相关研究中发现，情绪的表达存在多个脑区结构和功能上的连接。通过传递和整合不同脑区的信息，在表情和行为等体现出当前情绪状态。如何高效准确地度量不同脑区之间脑电信号的相关程度是一大技术难点。
(2)从脑电信号中提取的单一维度的特征包含较少情绪相关的信息，通过融合不同维度的特征，能够更加全面地表征脑电信号，但是采用怎样的特征融合策略以最大程度的提高脑电信号情绪识别的准确率，是当前需要解决的一个技术难点。
发明内容
为了解决现有技术的不足，本发明提供了一种基于双层脑网络的脑电信号情绪识别方法及系统，所述方案通过采用最小生成树和阈值选择构建了双层脑网络，并基于贝叶斯加权平均的方法融合双层脑网络的特征，基于所述融合特征进行情绪识别，有效提高了情绪识别的准确率。
为了实现上述目的，本发明采用如下技术方案：
根据本发明实施例的第一方面，提供了一种基于双层脑网络的脑电信号情绪识别方法，包括：
获取脑电信号并进行相应预处理；
对预处理后的脑电信号采用小波包变换进行频带分解，并采用互信息构建连通性矩阵；
基于所述连通性矩阵，分别构建基于最小生成树的脑网络及基于阈值选择的脑网络，并分别进行特征提取；
对双层脑网络中提取的特征进行特征融合，获得融合后的特征向量；
将融合后的特征向量输入预先训练的情绪识别模型中，获得情绪识别结果。
作为可选择的实施方式，所述构建基于最小生成树的脑网络，采用Prim算法。
作为可选择的实施方式，所述特征融合的方式采用基于贝叶斯加权平均的方式。
作为可选择的实施方式，所述情绪识别模型采用随机森林分类器模型。
作为进一步的限定，所述预处理包括但不限于眼电去除、降采样和基线校正。
根据本发明实施例的第二方面，提供了一种基于双层脑网络的脑电信号情绪识别系统，包括：
数据获取模块，被配置为：获取脑电信号并进行相应预处理；
连通性矩阵构建模块，被配置为：对预处理后的脑电信号采用小波包变换进行频带分解，并采用互信息构建连通性矩阵；
特征提取模块，被配置为：基于所述连通性矩阵，分别构建基于最小生成树的脑网络及基于阈值选择的脑网络，并分别进行特征提取；
特征融合模块，被配置为：对双层脑网络中提取的特征进行特征融合，获得融合后的特征向量；
情绪识别模块，被配置为：将融合后的特征向量输入预先训练的情绪识别模型中，获得情绪识别结果。
根据本发明实施例的第三方面，提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上所述的基于双层脑网络的脑电信号情绪识别方法中的步骤。
根据本发明实施例的第四方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如上所述的基于双层脑网络的脑电信号情绪识别方法中的步骤。
与现有技术相比，本发明的有益效果是：
(1)本发明所述方案分别采用最小生成树和阈值选择构建了双层脑网络，并基于贝叶斯加权平均的方法融合双层脑网络的特征，提出了基于双层脑网络的脑电信号情绪识别方法，从基于最小生成树的脑网络中自动提取出叶分数、中介核心性、树的层次、特征路径长度和度五个特征，从基于阈值选择的脑网络中自动提取出全局聚类系数、局部聚类系数和全局效率三个特征。针对直接特征融合对脑电信号情绪识别效果提升较小的问题，采用基于贝叶斯加权平均的融合方法，能够平衡不同特征之间的贡献，提高融合后的情绪识别准确率。
(2)本发明所述方案对获得的脑电信号进行眼电去除、降采样和基线校正，能够有效去除脑电信号中噪声的影响；基于最小生成树的脑网络特征提取是对预处理后的脑电信号，采用互信息构建表征通道之间关系的连通性矩阵，然后利用Prim算法得到基于最小生成树的脑网络，提取出五个特征；基于阈值选择的脑网络特征提取是对连通性矩阵采用阈值选择构建得到基于阈值选择的脑网络并提取出三个特征；特征融合部分是对双层脑网络中提取的八个特征基于贝叶斯加权平均的方法进行特征融合，得到融合后的特征向量；情绪识别部分是将融合后的特征向量输入随机森林分类器模型中，得到情绪识别结果，从而提高了情绪识别的准确率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一中提供的基于双层脑网络的情绪识别方法流程图；
图2为本发明实施例一中提供的六层小波包变换示意图；
图3为本发明实施例一中提供的连通性矩阵示意图；
图4为本发明实施例一中提供的基于最小生成树的脑网络示意图；
图5为本发明实施例一中提供的基于阈值选择的脑网络示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一：
本实施例的目的是提供一种基于双层脑网络的脑电信号情绪识别方法。
如图1所示，一种基于双层脑网络的脑电信号情绪识别方法，包括：
获取脑电信号并进行相应预处理；
对预处理后的脑电信号采用小波包变换进行频带分解，并采用互信息构建连通性矩阵；
基于所述连通性矩阵，分别构建基于最小生成树的脑网络及基于阈值选择的脑网络，并分别进行特征提取；
对双层脑网络中提取的特征进行特征融合，获得融合后的特征向量；
将融合后的特征向量输入预先训练的情绪识别模型中，获得情绪识别结果。
作为可选择的实施方式，所述构建基于最小生成树的脑网络，采用Prim算法。
作为可选择的实施方式，所述特征融合的方式采用基于贝叶斯加权平均的方式。
作为可选择的实施方式，所述情绪识别模型采用随机森林分类器模型。
作为进一步的限定，所述预处理包括但不限于眼电去除、降采样和基线校正。
具体的，所述方法包括：
S1：对原始脑电信号去除眼电，并进行降采样和基线校正；
S2：对预处理后的脑电信号采用小波包变换，分解为Theta、Alpha、Beta和Gamma四个频带，分别在每个频带上采用互信息构建连通性矩阵。为了去除冗余信息，在连通性矩阵的基础上采用Prim算法构建得到基于最小生成树的脑网络，并提取出叶分数、中介核心性、树的层次、特征路径长度和度五个特征，构成特征向量x1；
S3：采用阈值选择的方法对连通性矩阵进行处理，从而得到基于阈值选择的脑网络，并提取出全局聚类系数、局部聚类系数和全局效率三个特征，构成特征向量x2；
S4：以贝叶斯加权平均的融合方法将特征向量x1与特征向量x2进行特征融合，融合后得到特征向量x；
S5：将特征向量x输入随机森林分类模型中，得到情绪识别结果。
S1中，本实例中使用公开的脑电数据集DEAP。DEAP数据集中采集了32名被试的32通道的脑电信号和8通道的其他生理信号。每一名被试都进行了40次的实验，每次实验的数据记录时间是相同的，都为63秒。情绪在视频刺激下诱发需要一定的时间，因此截取脑电信号中间的数据段能够包含更多情绪相关的信息，从而提高情绪识别的效果。将第24到43秒脑电信号截取出来，用截取的数据与前三秒静息态的数据做差值以实现基线校正。
S2中：对预处理后的脑电信号进行小波包变换，分解得到Theta、Alpha、Beta和Gamma四个频带。对于降采样128Hz的脑电信号，由采样定理得到奈奎斯特采样频率为64Hz，如图2所示，采用6层小波包变换对其进行分解。将脑电通道之间的关系通过互信息进行计算，得到32×32的连通性矩阵，矩阵中截取的部分信息如图3所示。互信息由如下公式计算：
Figure BDA0003432857410000071
其中，MIXY表示脑电通道X和通道Y的互信息，Pij表示联合概率密度，Pi表示概率密度。
为了提取出连通性矩阵中的关键信息，采用Prim算法对32×32的连通性矩阵进行处理，保留了31个最大权值，同时保证了所有的通道节点都有边与之相连接。以32个通道作为脑网络的节点，31个最大权值作为脑网络的边，构建得到基于最小生成树的脑网络。如图4所示，对基于最小生成树的脑网络进行可视化。为了衡量脑网络的拓扑关系，在基于最小生成树脑网络的基础上提取出叶分数、中介核心性、树的层次、特征路径长度和度五个特征，得到特征向量x1。五个特征的计算公式如下所示：
(1)叶分数(Leaf Fraction，LF)：度为1的节点个数除以总节点的个数。
Figure BDA0003432857410000081
其中，F表示度为1的节点数，N表示总的节点数。
(2)中介核心性(Betweenness Centrality，BC)：经过节点i的路径的数量，其中，不包括节点i作为起止节点的路径。
Figure BDA0003432857410000082
其中，ρab(i)表示从节点a到b并且经过节点i的最短路径数，ρab表示从节点a到b的最短路径数。
(3)树的层次(Tree Level，TL)：衡量缩短直径与防止中心节点过载之间的关系。
Figure BDA0003432857410000083
其中，F表示度为1的节点数，M表示所有连接的总数目，BCmax表示中介核心性的最大值。
(4)特征路径长度(Character Path Length，CPL)：衡量脑网络的信息传递能力。
Figure BDA0003432857410000084
其中，n表示节点数，i和j分别表示不同的节点，dij表示网络中i和j节点之间的距离。
(5)度(Degree，DEG)：与一个节点i相连接的边的数量。
DEG＝∑j∈Nwij (6)
S3中：对于32×32的连通性矩阵，采用阈值选择的方法对其进行处理，如果连通性矩阵中的权值大于阈值，则将该权值设置为1，否则设置为0。值为1代表相对应的两个脑电通道之间有连接，0则代表没有连接。以32个脑电通道作为脑网络的节点，权值作为脑网络的边，得到基于阈值选择的脑网络。如图5所示，对基于阈值选择的脑网络进行可视化。为了表征脑网络的拓扑结构，在基于阈值选择脑网络的基础上提取出全局聚类系数、局部聚类系数和全局效率三个特征，得到特征向量x2。三个特征的计算公式如下所示：
(1)全局聚类系数(Global Clustering Coefficient，GCC)：度量脑网络中节点的聚集程度。
Figure BDA0003432857410000091
其中，n表示节点数，ti表示i节点附近的三角形结构的个数，DEGo表示i节点的度。
(2)局部聚类系数(Local Clustering Coefficient，LCC)：度量一个节点与其邻居节点的聚集程度。
Figure BDA0003432857410000092
(3)全局效率(Global Efficiency，GE)：衡量脑网络传输和处理信息的能力。
Figure BDA0003432857410000093
其中，dij表示网络中i和j节点之间的距离。
S4中：以贝叶斯加权平均融合方法将特征向量x1与特征向量x2进行特征融合，融合后得到特征向量x。权重的计算公式如下：
Figure BDA0003432857410000101
其中，λi表示特征i的权重，pi表示特征i的后验概率，pMST表示基于最小生成树脑网络的特征的后验概率，pTS表示基于阈值选择脑网络的特征的后验概率。
S5中：将贝叶斯融合后的特征向量x输入到随机森林分类模型中，得到情绪识别的结果。
实施例二：
本实施例的目的是提供一种基于双层脑网络的脑电信号情绪识别系统。
一种基于双层脑网络的脑电信号情绪识别系统，包括：
数据获取模块，被配置为：获取脑电信号并进行相应预处理；
连通性矩阵构建模块，被配置为：对预处理后的脑电信号采用小波包变换进行频带分解，并采用互信息构建连通性矩阵；
特征提取模块，被配置为：基于所述连通性矩阵，分别构建基于最小生成树的脑网络及基于阈值选择的脑网络，并分别进行特征提取；
特征融合模块，被配置为：对双层脑网络中提取的特征进行特征融合，获得融合后的特征向量；
情绪识别模块，被配置为：将融合后的特征向量输入预先训练的情绪识别模型中，获得情绪识别结果。
进一步的，所述系统中各模块的功能实现与实施例一中提供的基于双层脑网络的脑电信号情绪识别方法相同，故此处不再赘述。
实施例三：
本发明实施例三中提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例一所述的基于双层脑网络的脑电信号情绪识别方法中的步骤。
实施例四：
本发明实施例四中提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例一所述的基于双层脑网络的脑电信号情绪识别方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，包括：
获取脑电信号并进行相应预处理；
对预处理后的脑电信号采用小波包变换进行频带分解，并采用互信息构建连通性矩阵；
基于所述连通性矩阵，分别构建基于最小生成树的脑网络及基于阈值选择的脑网络，并分别进行特征提取；
对双层脑网络中提取的特征进行特征融合，获得融合后的特征向量；
将融合后的特征向量输入预先训练的情绪识别模型中，获得情绪识别结果。
2.如权利要求1所述的一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，所述构建基于最小生成树的脑网络，采用Prim算法。
3.如权利要求1所述的一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，所述特征融合的方式采用基于贝叶斯加权平均的方式。
4.如权利要求1所述的一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，所述情绪识别模型采用随机森林分类器模型。
5.如权利要求1所述的一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，所述预处理包括但不限于眼电去除、降采样和基线校正。
6.如权利要求1所述的一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，基于最小生成树的脑网络提取特征，包括但不限于叶分数、中介核心性、树的层次、特征路径长度和度。
7.如权利要求1所述的基于双层脑网络的脑电信号情绪识别方法，其特征在于,基于阈值选择的脑网络提取特征，包括但不限于全局聚类系数、局部聚类系数和全局效率。
8.一种基于双层脑网络的脑电信号情绪识别系统，其特征在于，包括：
数据获取模块，被配置为：获取脑电信号并进行相应预处理；
连通性矩阵构建模块，被配置为：对预处理后的脑电信号采用小波包变换进行频带分解，并采用互信息构建连通性矩阵；
特征提取模块，被配置为：基于所述连通性矩阵，分别构建基于最小生成树的脑网络及基于阈值选择的脑网络，并分别进行特征提取；
特征融合模块，被配置为：对双层脑网络中提取的特征进行特征融合，获得融合后的特征向量；
情绪识别模块，被配置为：将融合后的特征向量输入预先训练的情绪识别模型中，获得情绪识别结果。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于双层脑网络的脑电信号情绪识别方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于双层脑网络的脑电信号情绪识别方法中的步骤。
CN202111603644.6A 2021-12-24 2021-12-24 基于双层脑网络的脑电信号情绪识别方法及系统 Pending CN114492506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111603644.6A CN114492506A (zh) 2021-12-24 2021-12-24 基于双层脑网络的脑电信号情绪识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111603644.6A CN114492506A (zh) 2021-12-24 2021-12-24 基于双层脑网络的脑电信号情绪识别方法及系统

Publications (1)

Publication Number Publication Date
CN114492506A true CN114492506A (zh) 2022-05-13

Family

ID=81496356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111603644.6A Pending CN114492506A (zh) 2021-12-24 2021-12-24 基于双层脑网络的脑电信号情绪识别方法及系统

Country Status (1)

Country Link
CN (1) CN114492506A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115770044A (zh) * 2022-11-17 2023-03-10 天津大学 基于脑电相位幅值耦合网络的情绪识别方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115770044A (zh) * 2022-11-17 2023-03-10 天津大学 基于脑电相位幅值耦合网络的情绪识别方法及装置

Similar Documents

Publication Publication Date Title
Xu Understanding graph embedding methods and their applications
Ma et al. Detect rumors on twitter by promoting information campaigns with generative adversarial learning
Tuo et al. Hierarchical feature selection with subtree based graph regularization
Sharaf et al. An Automated Approach for Epilepsy Detection Based on Tunable Q‐Wavelet and Firefly Feature Selection Algorithm
Al-Salman et al. Detection of EEG K-complexes using fractal dimension of time frequency images technique coupled with undirected graph features
CN115919330A (zh) 基于多层次se注意力和图卷积的eeg情绪状态分类方法
CN115761275A (zh) 一种基于图神经网络的无监督社区发现方法及系统
CN114118165A (zh) 基于脑电的多模态情绪数据预测方法、装置及相关介质
Fernández-Blanco et al. Classification of signals by means of genetic programming
CN114492506A (zh) 基于双层脑网络的脑电信号情绪识别方法及系统
Duin et al. Open issues in pattern recognition
Vu et al. An efficient active constraint selection algorithm for clustering
Xu et al. Embedded EEG Feature Selection for Multi-Dimension Emotion Recognition via Local and Global Label Relevance
CN114494809A (zh) 特征提取模型优化方法、装置及电子设备
Khare et al. Enhancing Security with Voice: A Comprehensive Review of AI-Based Biometric Authentication Systems
Vu et al. Boosting clustering by active constraint selection
Pereira et al. Factor analysis for finding invariant neural descriptors of human emotions
CN114912109A (zh) 一种基于图嵌入的异常行为序列识别方法及系统
Chou et al. Text mining technique for Chinese written judgment of criminal case
Ishibuchi et al. Designing fuzzy rule-based classifiers that can visually explain their classification results to human users
CN111008590B (zh) 基于多维特征提取无监督eeg信号分类方法
Hanif et al. Dimension reduction techniques
Kothuri et al. A hybrid feature selection model for emotion recognition using shuffled frog leaping algorithm (SFLA)-incremental wrapper-based subset feature selection (IWSS)
Jansson et al. Graph convolutional neural networks for brain connectivity analysis
Li et al. Few-shot EEG sleep staging based on transductive prototype optimization network

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