CN115130664B - 基于胶囊网络模型的脑电信号的情感分析方法以及装置 - Google Patents

基于胶囊网络模型的脑电信号的情感分析方法以及装置 Download PDF

Info

Publication number
CN115130664B
CN115130664B CN202211055519.0A CN202211055519A CN115130664B CN 115130664 B CN115130664 B CN 115130664B CN 202211055519 A CN202211055519 A CN 202211055519A CN 115130664 B CN115130664 B CN 115130664B
Authority
CN
China
Prior art keywords
capsule
electroencephalogram signal
convolution
module
signal samples
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
CN202211055519.0A
Other languages
English (en)
Other versions
CN115130664A (zh
Inventor
张涵
郑晓敏
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.)
South China Normal University
Original Assignee
South China 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 South China Normal University filed Critical South China Normal University
Priority to CN202211055519.0A priority Critical patent/CN115130664B/zh
Publication of CN115130664A publication Critical patent/CN115130664A/zh
Application granted granted Critical
Publication of CN115130664B publication Critical patent/CN115130664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • 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
    • A61B5/7235—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本发明涉及基于胶囊网络模型的脑电信号的情感分析领域，涉及一种基于胶囊网络模型的脑电信号的情感分析方法，结合胶囊网络模型以及注意力路由机制，使在进行情感分析的过程中，考虑了高层特征和底层特征中的位置关系，从而保留了时间和空间特征，提高了脑电信号的情感分析的效率以及精准性，降低了人力成本以及设备成本。

Description

基于胶囊网络模型的脑电信号的情感分析方法以及装置
技术领域
本发明涉及情感分析领域，特别涉及是一种基于胶囊网络模型的脑电信号的情感分析方法、装置、设备以及存储介质。
背景技术
近年来，研究发现在情感分析中，大脑皮层存在一些特定的区域与情感存在密切的关系，如眶额叶皮层、腹侧内侧前额叶皮层和杏仁核。而且脑电信号（EEG）具有良好的时间和空间分辨率，是提供直接和具有更高分类精度的情感识别综合手段，因此，在各种生理信号中，脑电信号具有反映人类情绪状态的优势并受到国内外学者们的广泛研究。
目前的技术方案，是基于卷积神经网络模型，对脑电信号进行情感分析而卷积神经网络可能会忽视不同通道间的内在联系并且其无法考虑到底层目标特征之间的空间关系。在CNN中，上一层神经元传递到下一层神经元的是标量，没有方向，导致无法考虑到底层对象之间的空间关系，无法表示出高层特征和底层特征中的位置关系，并且卷积层对变换进行编码的能力有限。例如，在池化操作中，仅选择最有效的神经元转移到下一层，这造成了大量信息的丢失，而且，提取的特征具有局部变换不变性，从而导致无法精准对脑电信号进行情感分析。
发明内容
基于此，本发明的目的在于，提供一种基于胶囊网络模型的脑电信号的情感分析方法、装置、设备以及存储介质，结合胶囊网络模型以及注意力路由机制，使在进行情感分析的过程中，考虑了高层特征和底层特征中的位置关系，从而保留了时间和空间特征，提高了脑电信号的情感分析的效率以及精准性，降低了人力成本以及设备成本。
第一方面，本申请实施例提供了一种基于胶囊网络模型的脑电信号的情感分析方法，包括以下步骤：
获取脑电信号数据集，对脑电信号数据集中的原始脑电信号进行通道数据选择和样本分割的预处理，构建训练样本集以及标签集构建训练样本集，其中，所述训练样本集包括若干个脑电信号样本，所述标签集包括若干个脑电信号样本对应的情感标签；
构建胶囊网络模型，其中，所述胶囊网络模型包括依次相连的初级胶囊模块、中级胶囊模块、高级胶囊模块以及输出胶囊模块，所述高级胶囊模块包括卷积层以及注意力路由层；
将所述训练样本集输入至所述胶囊网络模型中，根据所述初级胶囊模块，对所述若干个脑电信号样本进行局部特征提取，获得所述若干个脑电信号样本对应的若干个初级胶囊；
将所述若干个脑电信号样本对应的若干个初级胶囊输入至所述中级胶囊模块，获得所述若干个脑电信号样本对应的若干个中级胶囊，其中，所述中级胶囊包括若干个第一胶囊通道，所述第一胶囊通道为具有相同的位置索引参数的第一卷积特征的集合；
将所述若干个脑电信号样本对应的若干个中级胶囊输入至所述高级胶囊模块的卷积层中，获得所述高级胶囊模块的卷积层输出的若干个脑电信号样本对应的若干个卷积特征集，其中，所述卷积特征集包括若干个第二胶囊通道，所述第二胶囊通道为具有相同的位置索引参数的第二卷积特征的集合；
将所述若干个脑电信号样本对应的若干个卷积特征集输入至所述高级胶囊模块的注意力路由层中，基于所述卷积特征集中第二胶囊通道的位置索引参数，获得所述高级胶囊模块的注意力路由层输出的若干个脑电信号样本对应的若干个高级胶囊，其中，所述高级胶囊包括若干个卷积特征集的若干个与位置索引参数相关联的注意力特征；
将所述若干个脑电信号样本对应的若干个高级胶囊输入至所述输出胶囊模块中进行连接处理，获得所述若干个脑电信号样本对应的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊、输出胶囊以及标签集，构建所述胶囊网络模型的损失函数，进行优化训练，获得目标胶囊网络模型；
响应于分析指令，获得待测脑电信号，将所述待测脑电信号输入至所述目标胶囊网络模型，获得所述待测脑电信号对应的情感分析结果。
第二方面，本申请实施例提供了一种基于胶囊网络模型的脑电信号的情感分析装置，包括：
数据集获取模块，用于获取脑电信号数据集，对脑电信号数据集中的原始脑电信号进行通道数据选择和样本分割的预处理，构建训练样本集以及标签集构建训练样本集，其中，所述训练样本集包括若干个脑电信号样本，所述标签集包括若干个脑电信号样本对应的情感标签；
模型构建模块，用于构建胶囊网络模型，其中，所述胶囊网络模型包括依次相连的初级胶囊模块、中级胶囊模块、高级胶囊模块以及输出胶囊模块，所述高级胶囊模块包括卷积层以及注意力路由层；
初级胶囊获取模块，用于将所述训练样本集输入至所述胶囊网络模型中，根据所述初级胶囊模块，对所述若干个脑电信号样本进行局部特征提取，获得所述若干个脑电信号样本对应的若干个初级胶囊；
中级胶囊获取模块，用于将所述若干个脑电信号样本对应的若干个初级胶囊输入至所述中级胶囊模块，获得所述若干个脑电信号样本对应的若干个中级胶囊，其中，所述中级胶囊包括若干个第一胶囊通道，所述第一胶囊通道为具有相同的位置索引参数的第一卷积特征的集合；
卷积特征集获取模块，用于将所述若干个脑电信号样本对应的若干个中级胶囊输入至所述高级胶囊模块的卷积层中，获得所述高级胶囊模块的卷积层输出的若干个脑电信号样本对应的若干个卷积特征集，其中，所述卷积特征集包括若干个第二胶囊通道，所述第二胶囊通道为具有相同的位置索引参数的第二卷积特征的集合；
高级胶囊获取模块，用于将所述若干个脑电信号样本对应的若干个卷积特征集输入至所述高级胶囊模块的注意力路由层中，基于所述卷积特征集中第二胶囊通道的位置索引参数，获得所述高级胶囊模块的注意力路由层输出的若干个脑电信号样本对应的若干个高级胶囊，其中，所述高级胶囊包括若干个卷积特征集的若干个与位置索引参数相关联的注意力特征；
模型训练模块，用于将所述若干个脑电信号样本对应的若干个高级胶囊输入至所述输出胶囊模块中进行连接处理，获得所述若干个脑电信号样本对应的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊、输出胶囊以及标签集，构建所述胶囊网络模型的损失函数，进行优化训练，获得目标胶囊网络模型；
情感分析模块，用于响应于分析指令，获得待测脑电信号，将所述待测脑电信号输入至所述目标胶囊网络模型，获得所述待测脑电信号对应的情感分析结果。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述基于胶囊网络模型的脑电信号的情感分析方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于胶囊网络模型的脑电信号的情感分析方法的步骤。
在本申请实施例中，提供一种基于胶囊网络模型的脑电信号的情感分析方法、装置、设备以及存储介质，结合胶囊网络模型以及注意力路由机制，使在进行情感分析的过程中，考虑了高层特征和底层特征中的位置关系，从而保留了时间和空间特征，提高了脑电信号的情感分析的效率以及精准性，降低了人力成本以及设备成本。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法的流程示意图；
图2为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法中S1的流程示意图；
图3为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法中S4的流程示意图；
图4为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法中S5的流程示意图；
图5为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法中S6的流程示意图；
图6为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法中S7的流程示意图；
图7为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析装置的结构示意图；
图8为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法的流程示意图，方法包括如下步骤：
S1：获取脑电信号数据集，对脑电信号数据集中的原始脑电信号进行通道数据选择和样本分割的预处理，构建训练样本集。
基于胶囊网络模型的脑电信号的情感分析方法的执行主体为基于胶囊网络模型的脑电信号的情感分析方法的分析设备（以下简称分析设备）。分析设备可以通过软件和/或硬件的方式实现，可以通过软件和/或硬件的方式实现基于胶囊网络模型的脑电信号的情感分析方法，该分析设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。分析设备所指向的硬件，本质上均是指计算机设备，例如，分析设备可以是电脑、手机、平板或交互平板等设备。在一个可选的实施例中，分析设备具体可以是服务器，或是多台计算机设备联合而成的服务器机群。
在本实施例中，分析设备获取用户输入的脑电信号数据集，所述脑电信号数据集可以是多模态数据集。DEAP数据集是通过使用音乐视频材料作为视觉刺激来触发情绪，记录了32个受试者在观看40个视频剪辑产生的32通道脑电信号和8通道外周生理信号。
分析设备对脑电信号数据集中的原始脑电信号进行通道数据选择和样本分割的预处理，构建训练样本集以及标签集，其中，所述训练样本集包括若干个脑电信号样本，所述标签集包括若干个脑电信号样本对应的情感标签，具体地，所述情感标签包括高效价-低效价标签（HV/LV）、高唤醒-低唤醒标签（HA/LA）和高显性-低显性标签（HD/LD）。
在一个可选的实施例中，所述原始脑电信号包括基线信号以及实验信号。所述基线信号是指用户在放松状态下记录的脑电信号和在刺激下记录的脑电信号。
请参阅图2，图2为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法中S1的流程示意图，包括步骤S101~S102，具体如下：
S101：根据预设的采样周期，对所述脑电信号数据集中的原始脑电信号中的基线信号以及实验信号进行划分，获得所述原始脑电信号相应的若干个采样周期对应的基线信号以及实验信号。
在本实施例中，分析设备根据预设的采样周期，对所述脑电信号数据集中的原始脑电信号中的基线信号以及实验信号进行划分，获得所述原始脑电信号相应的若干个采样周期对应的基线信号以及实验信号。
具体地，分析设备从所有C个通道中取出基线信号X，采用一秒的滑动窗口，对所述原始脑电信号中的基线信号X平均切割成
Figure 591472DEST_PATH_IMAGE001
段长度同为L的信号，每段记为
Figure 210672DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
为第i个基线信号矩阵，得到
Figure 290755DEST_PATH_IMAGE001
（C*L）个基线信号矩阵；
同理，分析设备对实验信号Y进行了同样的分割,因此可以得到
Figure 20813DEST_PATH_IMAGE004
段长度同为L的信号，每段都表示为
Figure DEST_PATH_IMAGE005
，
Figure 735697DEST_PATH_IMAGE006
为第j个实验信号矩阵，得到
Figure DEST_PATH_IMAGE007
（C*L）个实验信号矩阵。
S102：对所述若干个采样周期的基线信号计算平均值，将所述各个采样周期对应的实验信号与所述平均值进行相减，获得若干个采样周期对应的脑电信号段，作为所述若干个脑电信号样本，构建所述训练样本集。
在本实施例中，分析设备对所述若干个采样周期的基线信号计算平均值，具体地，分析设备对所述基线信号矩阵进行逐元素加法并计算平均值，如下所示：
Figure DEST_PATH_IMAGE008
式中，
Figure 853695DEST_PATH_IMAGE009
为所述基线信号的平均值，以表示在没有任何刺激下的基本情绪状态。
将所述各个采样周期对应的实验信号与所述平均值进行相减，获得若干个采样周期对应的脑电信号段，作为所述若干个脑电信号样本，构建所述训练样本集，具体地，分析设备将每个实验信号矩阵
Figure 889915DEST_PATH_IMAGE006
与所述基线信号的平均值
Figure DEST_PATH_IMAGE010
相减，如下所述：
Figure 892506DEST_PATH_IMAGE011
获得若干个采样周期对应的脑电信号段
Figure DEST_PATH_IMAGE012
，作为所述若干个脑电信号样本，构建所述训练样本集。
S2：构建胶囊网络模型，其中，所述胶囊网络模型包括依次相连的初级胶囊模块、中级胶囊模块、高级胶囊模块以及输出胶囊模块，所述中级胶囊模块为多个输出通道的卷积胶囊层，所述高级胶囊模块包括卷积层以及注意力路由层。
在本实施例中，分析设备构建胶囊网络模型，其中，所述胶囊网络模型为AR-CapsNet模型，所述胶囊网络模型包括依次相连的初级胶囊模块、中级胶囊模块、高级胶囊模块以及输出胶囊模块，所述高级胶囊模块包括卷积层以及注意力路由层。
S3：将所述训练样本集输入至所述胶囊网络模型中，根据所述初级胶囊模块，对所述若干个脑电信号样本进行局部特征提取，获得所述若干个脑电信号样本对应的若干个初级胶囊。
所述初级胶囊模块包括两个卷积单元，所述卷积单元包括64个步长为1的3x3的卷积核和Relu胶囊激活函数组成。
在本实施例中，分析设备将所述训练样本集输入至所述胶囊网络模型中，根据所述初级胶囊模块中的卷积单元，对所述训练样本集中的脑电信号样本进行卷积处理，进行归一化处理，并将卷积处理后的结果转换为局部特征检测器的活动，从而对所述若干个脑电信号样本进行局部特征提取，将所述局部特征存储于初级胶囊中，获得所述若干个脑电信号样本对应的若干个初级胶囊。
S4：将所述若干个脑电信号样本对应的若干个初级胶囊输入至所述中级胶囊模块，获得所述若干个脑电信号样本对应的若干个中级胶囊。
所述中级胶囊包括若干个第一胶囊通道，所述第一胶囊通道为具有相同的位置索引参数的第一卷积特征的集合。
在本实施例中，分析设备将所述若干个脑电信号样本对应的若干个初级胶囊输入至所述中级胶囊模块，获得所述若干个脑电信号样本对应的若干个中级胶囊。
请参阅图3，图3为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法中S4的流程示意图，包括步骤S401~S402，具体如下：
S401：根据预设的若干个卷积核，对所述初级胶囊中的局部特征进行卷积变换，获得第一卷积特征，并将相同位置索引参数的第一卷积特征进行组合，获得若干个位置索引参数的第一卷积特征集合，作为所述若干个第一胶囊通道。
所述中级胶囊模块为具有N个D维输出通道的卷积胶囊层，卷积胶囊层中包括若干个卷积单元，所述卷积单元均包括NⅹD个步长为2的卷积核。
在本实施例中，分析设备根据预设的若干个卷积核，对所述初级胶囊中的局部特征进行卷积变换，获得第一卷积特征，并将相同位置索引参数的第一卷积特征进行组合，获得若干个位置索引参数的第一卷积特征集合，作为所述若干个第一胶囊通道，具体如下：
Figure 478208DEST_PATH_IMAGE013
式中，
Figure DEST_PATH_IMAGE014
为所述第一胶囊通道，
Figure 225497DEST_PATH_IMAGE015
为3x3的卷积函数，ReLU为线性函数，
Figure DEST_PATH_IMAGE016
为所述初级胶囊。
S402：将所述若干个第一胶囊通道存储于中级胶囊，根据预设的胶囊激活函数，对所述中级胶囊中若干个第一胶囊通道进行归一化处理，获得激活处理后的所述中级胶囊。
所述胶囊激活函数为：
Figure 529439DEST_PATH_IMAGE017
式中，
Figure DEST_PATH_IMAGE018
为激活处理后的第一胶囊通道，tanh( )为激活函数，
Figure 883191DEST_PATH_IMAGE019
为1x1的卷积函数，
Figure DEST_PATH_IMAGE020
为所述第一胶囊通道。
在本实施例中，分析设备将所述若干个第一胶囊通道存储于中级胶囊，根据预设的胶囊激活函数，对所述中级胶囊中若干个第一胶囊通道进行归一化处理，获得激活处理后的所述中级胶囊。
S5：将所述若干个脑电信号样本对应的若干个中级胶囊输入至所述高级胶囊模块的卷积层中，获得所述高级胶囊模块的卷积层输出的若干个脑电信号样本对应的若干个卷积特征集。
所述卷积特征集包括若干个第二胶囊通道，所述第二胶囊通道为具有相同的位置索引参数的第二卷积特征的集合。
在本实施例中，分析设备将所述若干个脑电信号样本对应的若干个中级胶囊输入至所述高级胶囊模块的卷积层中，获得所述高级胶囊模块的卷积层输出的若干个脑电信号样本对应的若干个卷积特征集。
在一个可选的实施例中，所述卷积层为具有多层结构的卷积网络，请参阅图4，图4为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法中S5的流程示意图，包括步骤S501，具体如下：
S501：将所述中级胶囊中的第一胶囊通道作为所述卷积层的输入数据，根据预设的卷积算法，对所述中级胶囊中的若干个第一胶囊通道的第一卷积特征进行卷积变换，获得所述卷积层输出的若干个层对应的第二卷积特征，并将同一层的相同位置索引参数的第二卷积特征进行组合，获得所述卷积层输出的若干个层对应的若干个位置索引参数的第二卷积特征集合，作为所述卷积层输出的若干个层对应的若干个第二胶囊通道，进行组合，获得若干个卷积特征集。
所述卷积算法为：
Figure 792241DEST_PATH_IMAGE021
式中，
Figure DEST_PATH_IMAGE022
为所述卷积层输出的第l层对应的第二胶囊通道，
Figure 438992DEST_PATH_IMAGE015
为3x3的卷积函数。
在本实施例中，分析设备将所述中级胶囊中的第一胶囊通道作为所述卷积层的输入数据，根据预设的卷积算法，对所述中级胶囊中的若干个第一胶囊通道的第一卷积特征进行卷积变换，获得所述卷积层输出的若干个层对应的第二卷积特征，并将同一层的相同位置索引参数的第二卷积特征进行组合，获得所述卷积层输出的若干个层对应的若干个位置索引参数的第二卷积特征集合，作为所述卷积层输出的若干个层对应的若干个第二胶囊通道，进行组合，获得若干个卷积特征集。
S6：将所述若干个脑电信号样本对应的若干个卷积特征集输入至所述高级胶囊模块的注意力路由层中，基于所述卷积特征集中第二胶囊通道的位置索引参数，获得所述高级胶囊模块的注意力路由层输出的若干个脑电信号样本对应的若干个高级胶囊。
所述高级胶囊包括若干个卷积特征集的若干个与位置索引参数相关联的注意力特征。
在本实施例中，分析设备将所述若干个脑电信号样本对应的若干个卷积特征集输入至所述高级胶囊模块的注意力路由层中，基于所述卷积特征集中第二胶囊通道的位置索引参数，获得所述高级胶囊模块的注意力路由层输出的若干个脑电信号样本对应的若干个高级胶囊。
请参阅图5，图5为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法中S6的流程示意图，包括步骤S601~S603，具体如下：
S601：将基于所述第二胶囊通道的位置索引参数，计算同一位置索引参数的若干个所述第二胶囊通道中的第二卷积特征与预设的卷积核向量参数之间的标量积，获得若干个位置索引参数对应的对数概率，根据所述若干个位置索引参数对应的对数概率以及预设的归一化指数函数，获得权重参数集。
在本实施例中，分析设备基于所述第二胶囊通道的位置索引参数，计算同一位置索引参数的若干个所述第二胶囊通道中的第二卷积特征与预设的卷积核向量参数之间的标量积，获得若干个位置索引参数对应的对数概率，根据所述若干个位置索引参数对应的对数概率以及预设的归一化指数函数，获得权重参数集，其中，所述权重参数集包括若干个位置索引参数对应的权重参数。
具体地，所述归一化函数为softmax（）函数，分析设备根据所述若干个位置索引参数对应的对数概率以及softmax（）函数，对各个位置索引参数的权重参数进行调整，从而获得权重参数集。
S602：根据所述权重参数集、若干个卷积特征集以及预设的注意力路由计算算法，将同一位置索引参数的若干个所述第二胶囊通道中的第二卷积特征与相应的权重参数进行点积累加处理，获得若干个位置索引参数对应的注意力特征。
所述注意力路由计算算法为：
Figure 964651DEST_PATH_IMAGE023
式中，
Figure DEST_PATH_IMAGE024
为所述位置索引参数对应的注意力特征，w，h，n分别为所述位置索引参数中的宽度参数、高度参数以及维度参数，
Figure 105783DEST_PATH_IMAGE025
为所述卷积特征集中的第二胶囊通道的数目，
Figure DEST_PATH_IMAGE026
为所述位置索引参数对应的权重参数。
在本实施例中，分析设备根据所述权重参数集、若干个卷积特征集以及预设的注意力路由计算算法，将同一位置索引参数的若干个所述第二胶囊通道中的第二卷积特征与相应的权重参数进行点积累加处理，获得若干个位置索引参数对应的注意力特征。
S603：将所述若干个位置索引参数对应的注意力特征存储于高级胶囊中，根据预设的胶囊激活函数，对所述高级胶囊中若干个位置索引参数对应的注意力特征进行归一化处理，获得激活处理后的所述脑电信号样本对应的高级胶囊。
所述胶囊激活函数为：
Figure 620072DEST_PATH_IMAGE027
式中，
Figure DEST_PATH_IMAGE028
为激活处理后的位置索引参数对应的注意力特征，
Figure 454036DEST_PATH_IMAGE029
为所述位置索引参数对应的注意力特征，
Figure DEST_PATH_IMAGE030
为1x1的卷积函数，tanh( )为激活函数。
在本实施例中，分析设备将所述若干个位置索引参数对应的注意力特征存储于高级胶囊中，根据预设的胶囊激活函数，对所述高级胶囊中若干个位置索引参数对应的注意力特征进行归一化处理，获得激活处理后的所述脑电信号样本对应的高级胶囊。
S7：将所述若干个脑电信号样本对应的若干个高级胶囊输入至所述输出胶囊模块中进行连接处理，获得所述若干个脑电信号样本对应的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊、输出胶囊以及标签集，构建所述胶囊网络模型的损失函数，进行优化训练，获得目标胶囊网络模型。
在本实施例中，分析设备将所述若干个脑电信号样本对应的若干个高级胶囊输入至所述输出胶囊模块中进行连接处理，获得所述若干个脑电信号样本对应的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊、输出胶囊以及标签集，构建所述胶囊网络模型的损失函数，进行优化训练，获得目标胶囊网络模型。
请参阅图6，图6为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析方法中S7的流程示意图，包括步骤S701~S704，具体如下：
S701：将所述高级胶囊中，同一位置索引参数对应的注意力特征进行组合，获得所述若干个位置索引参数的总注意力特征，将所述若干个位置索引参数的总注意力特征存储于输出胶囊中，获得所述脑电信号样本对应的输出胶囊。
在本实施例中，分析设备将所述高级胶囊中，同一位置索引参数对应的注意力特征进行组合，获得所述若干个位置索引参数的总注意力特征，将所述若干个位置索引参数的总注意力特征存储于输出胶囊中，获得所述脑电信号样本对应的输出胶囊。
S702：将所述脑电信号样本对应的输出胶囊输入至预设的解码器中，获得解码处理后的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊以及解码处理后的输出胶囊，构建所述胶囊网络模型的第一损失函数。
所述输出胶囊模块预先设置有解码器，所述解码器由三个全连接层组成，在本实施例中，分析设备采用重建损失的方法，将所述脑电信号样本对应的输出胶囊输入至预设的解码器中，获得解码处理后的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊以及解码处理后的输出胶囊，构建所述胶囊网络模型的第一损失函数，其中，所述第一损失函数为：
Figure 981838DEST_PATH_IMAGE031
式中，
Figure 598764DEST_PATH_IMAGE032
为所述第一损失函数，MSELoss（）为均方损失函数，
Figure 482406DEST_PATH_IMAGE033
为所述初始胶囊，
Figure 221692DEST_PATH_IMAGE034
为所述解码处理后的输出胶囊。
S703：对所述脑电信号样本对应的输出胶囊进行归一化处理，获得归一化处理后的输出胶囊，根据所述若干个脑电信号样本对应的归一化处理后的输出胶囊以及标签集，构建所述胶囊网络模型的第二损失函数。
在本实施例中，分析设备采用边际损失以及重建正则化的方法，对所述脑电信号样本对应的输出胶囊进行归一化处理，获得归一化处理后的输出胶囊，根据所述若干个脑电信号样本对应的归一化处理后的输出胶囊以及标签集，采用二分类的方法，将所述若干个脑电信号样本对应的归一化处理后的输出胶囊按照维度进行二分类，构建所述胶囊网络模型的第二损失函数，其中，所述第二损失函数为：
Figure 190785DEST_PATH_IMAGE035
式中，
Figure 893293DEST_PATH_IMAGE036
为所述第二损失函数，
Figure 897021DEST_PATH_IMAGE037
为表示类别，
Figure 479312DEST_PATH_IMAGE038
为预设的阳性惩罚系数，
Figure 935701DEST_PATH_IMAGE039
为预设的阴性惩罚系数，
Figure 956747DEST_PATH_IMAGE040
为所述归一化处理后的输出胶囊，
Figure 64249DEST_PATH_IMAGE041
为正则化系数；
S704：结合所述第一损失函数以及第二损失函数，构建所述胶囊网络模型的总损失函数。
在本实施例中，分析设备结合所述第一损失函数以及第二损失函数，构建所述胶囊网络模型的总损失函数，其中，所述总损失函数为：
Figure 879758DEST_PATH_IMAGE042
式中，
Figure 26706DEST_PATH_IMAGE043
为所述总损失函数，
Figure 320284DEST_PATH_IMAGE044
为预设的训练权重参数。
S8：响应于分析指令，获得待测脑电信号，将所述待测脑电信号输入至所述目标胶囊网络模型，获得所述待测脑电信号对应的情感分析结果。
所述分析指令是用户发出，分析设备接收的。
在本实施例中，分析设备获取用户发送的分析指令，并进行响应，获得待测脑电信号，将所述待测脑电信号输入至所述目标胶囊网络模型，获得所述待测脑电信号对应的情感分析结果。
请参考图7，图7为本申请一个实施例提供的基于胶囊网络模型的脑电信号的情感分析装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于胶囊网络模型的脑电信号的情感分析装置的全部或一部分，该装置7包括：
数据集获取模块71，用于获取脑电信号数据集，对脑电信号数据集中的原始脑电信号进行通道数据选择和样本分割的预处理，构建训练样本集以及标签集构建训练样本集，其中，所述训练样本集包括若干个脑电信号样本，所述标签集包括若干个脑电信号样本对应的情感标签；
模型构建模块72，用于构建胶囊网络模型，其中，所述胶囊网络模型包括依次相连的初级胶囊模块、中级胶囊模块、高级胶囊模块以及输出胶囊模块，所述高级胶囊模块包括卷积层以及注意力路由层；
初级胶囊获取模块73，用于将所述训练样本集输入至所述胶囊网络模型中，根据所述初级胶囊模块，对所述若干个脑电信号样本进行局部特征提取，获得所述若干个脑电信号样本对应的若干个初级胶囊；
中级胶囊获取模块74，用于将所述若干个脑电信号样本对应的若干个初级胶囊输入至所述中级胶囊模块，获得所述若干个脑电信号样本对应的若干个中级胶囊，其中，所述中级胶囊包括若干个第一胶囊通道，所述第一胶囊通道为具有相同的位置索引参数的第一卷积特征的集合；
卷积特征集获取模块75，用于将所述若干个脑电信号样本对应的若干个中级胶囊输入至所述高级胶囊模块的卷积层中，获得所述高级胶囊模块的卷积层输出的若干个脑电信号样本对应的若干个卷积特征集，其中，所述卷积特征集包括若干个第二胶囊通道，所述第二胶囊通道为具有相同的位置索引参数的第二卷积特征的集合；
高级胶囊获取模块76，用于将所述若干个脑电信号样本对应的若干个卷积特征集输入至所述高级胶囊模块的注意力路由层中，基于所述卷积特征集中第二胶囊通道的位置索引参数，获得所述高级胶囊模块的注意力路由层输出的若干个脑电信号样本对应的若干个高级胶囊，其中，所述高级胶囊包括若干个卷积特征集的若干个与位置索引参数相关联的注意力特征；
模型训练模块77，用于将所述若干个脑电信号样本对应的若干个高级胶囊输入至所述输出胶囊模块中进行连接处理，获得所述若干个脑电信号样本对应的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊、输出胶囊以及标签集，构建所述胶囊网络模型的损失函数，进行优化训练，获得目标胶囊网络模型；
情感分析模块78，用于响应于分析指令，获得待测脑电信号，将所述待测脑电信号输入至所述目标胶囊网络模型，获得所述待测脑电信号对应的情感分析结果。
在本实施例中，通过数据集获取模块，获取脑电信号数据集，对脑电信号数据集中的原始脑电信号进行通道数据选择和样本分割的预处理，构建训练样本集以及标签集构建训练样本集，其中，所述训练样本集包括若干个脑电信号样本，所述标签集包括若干个脑电信号样本对应的情感标签；通过模型构建模块，构建胶囊网络模型，其中，所述胶囊网络模型包括依次相连的初级胶囊模块、中级胶囊模块、高级胶囊模块以及输出胶囊模块，所述高级胶囊模块包括卷积层以及注意力路由层；通过初级胶囊获取模块，将所述训练样本集输入至所述胶囊网络模型中，根据所述初级胶囊模块，对所述若干个脑电信号样本进行局部特征提取，获得所述若干个脑电信号样本对应的若干个初级胶囊；通过中级胶囊获取模块，将所述若干个脑电信号样本对应的若干个初级胶囊输入至所述中级胶囊模块，获得所述若干个脑电信号样本对应的若干个中级胶囊，其中，所述中级胶囊包括若干个第一胶囊通道，所述第一胶囊通道为具有相同的位置索引参数的第一卷积特征的集合；通过卷积特征集获取模块，将所述若干个脑电信号样本对应的若干个中级胶囊输入至所述高级胶囊模块的卷积层中，获得所述高级胶囊模块的卷积层输出的若干个脑电信号样本对应的若干个卷积特征集，其中，所述卷积特征集包括若干个第二胶囊通道，所述第二胶囊通道为具有相同的位置索引参数的第二卷积特征的集合；通过高级胶囊获取模块，将所述若干个脑电信号样本对应的若干个卷积特征集输入至所述高级胶囊模块的注意力路由层中，基于所述卷积特征集中第二胶囊通道的位置索引参数，获得所述高级胶囊模块的注意力路由层输出的若干个脑电信号样本对应的若干个高级胶囊，其中，所述高级胶囊包括若干个卷积特征集的若干个与位置索引参数相关联的注意力特征；通过模型训练模块，将所述若干个脑电信号样本对应的若干个高级胶囊输入至所述输出胶囊模块中进行连接处理，获得所述若干个脑电信号样本对应的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊、输出胶囊以及标签集，构建所述胶囊网络模型的损失函数，进行优化训练，获得目标胶囊网络模型；通过情感分析模块，响应于分析指令，获得待测脑电信号，将所述待测脑电信号输入至所述目标胶囊网络模型，获得所述待测脑电信号对应的情感分析结果。结合胶囊网络模型以及注意力路由机制，使在进行情感分析的过程中，考虑了高层特征和底层特征中的位置关系，从而保留了时间和空间特征，提高了脑电信号的情感分析的效率以及精准性，降低了人力成本以及设备成本。
请参考图8，图8为本申请一个实施例提供的计算机设备的结构示意图，计算机设备8包括：处理器81、存储器82以及存储在存储器82上并可在处理器81上运行的计算机程序83；计算机设备可以存储有多条指令，指令适用于由处理器81加载并执行上述图1至图6的方法步骤，具体执行过程可以参见图1至图6的具体说明，在此不进行赘述。
其中，处理器81可以包括一个或多个处理核心。处理器81利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器82内的指令、程序、代码集或指令集，以及调用存储器82内的数据，执行基于胶囊网络模型的脑电信号的情感分析装置7的各种功能和处理数据，可选的，处理器81可以采用数字信号处理（Digital SignalProcessing,DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programble Logic Array，PLA）中的至少一个硬件形式来实现。处理器81可集成中央处理器81（Central Processing Unit，CPU）、图像处理器81（Graphics ProcessingUnit，GPU）和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器81中，单独通过一块芯片进行实现。
其中，存储器82可以包括随机存储器82（Random Access Memory，RAM），也可以包括只读存储器82（Read-Only Memory）。可选的，该存储器82包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器82可用于存储指令、程序、代码、代码集或指令集。存储器82可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控指令等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器82可选的还可以是至少一个位于远离前述处理器81的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图6的方法步骤，具体执行过程可以参见图1至图6的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (9)

1.一种基于胶囊网络模型的脑电信号的情感分析方法，其特征在于，包括以下步骤：
获取脑电信号数据集，对脑电信号数据集中的原始脑电信号进行通道数据选择和样本分割的预处理，构建训练样本集以及标签集构建训练样本集，其中，所述训练样本集包括若干个脑电信号样本，所述标签集包括若干个脑电信号样本对应的情感标签；
构建胶囊网络模型，其中，所述胶囊网络模型包括依次相连的初级胶囊模块、中级胶囊模块、高级胶囊模块以及输出胶囊模块，所述中级胶囊模块为多个输出通道的卷积胶囊层，所述高级胶囊模块包括卷积层以及注意力路由层；
将所述训练样本集输入至所述胶囊网络模型中，根据所述初级胶囊模块，对所述若干个脑电信号样本进行局部特征提取，获得所述若干个脑电信号样本对应的若干个初级胶囊；
将所述若干个脑电信号样本对应的若干个初级胶囊输入至所述中级胶囊模块，获得所述若干个脑电信号样本对应的若干个中级胶囊，其中，所述中级胶囊包括若干个第一胶囊通道，所述第一胶囊通道为具有相同的位置索引参数的第一卷积特征的集合；
将所述若干个脑电信号样本对应的若干个中级胶囊输入至所述高级胶囊模块的卷积层中，获得所述高级胶囊模块的卷积层输出的若干个脑电信号样本对应的若干个卷积特征集，其中，所述卷积特征集包括若干个第二胶囊通道，所述第二胶囊通道为具有相同的位置索引参数的第二卷积特征的集合；
将所述若干个脑电信号样本对应的若干个卷积特征集输入至所述高级胶囊模块的注意力路由层中，基于所述卷积特征集中第二胶囊通道的位置索引参数，获得所述高级胶囊模块的注意力路由层输出的若干个脑电信号样本对应的若干个高级胶囊，其中，所述高级胶囊包括若干个卷积特征集的若干个与位置索引参数相关联的注意力特征；
将所述若干个脑电信号样本对应的若干个高级胶囊输入至所述输出胶囊模块中进行连接处理，获得所述若干个脑电信号样本对应的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊、输出胶囊以及标签集，构建所述胶囊网络模型的损失函数，进行优化训练，获得目标胶囊网络模型；
响应于分析指令，获得待测脑电信号，将所述待测脑电信号输入至所述目标胶囊网络模型，获得所述待测脑电信号对应的情感分析结果。
2.根据权利要求1所述的基于胶囊网络模型的脑电信号的情感分析方法，其特征在于：所述原始脑电信号包括基线信号以及实验信号；
所述对脑电信号数据集中的原始脑电信号进行通道数据选择和样本分割的预处理，构建训练样本集，包括步骤：
根据预设的采样周期，对所述脑电信号数据集中的原始脑电信号中的基线信号以及实验信号进行划分，获得所述原始脑电信号相应的若干个采样周期对应的基线信号以及实验信号；
对所述若干个采样周期的基线信号计算平均值，将所述各个采样周期对应的实验信号与所述平均值进行相减，获得若干个采样周期对应的脑电信号段，作为所述若干个脑电信号样本，构建所述训练样本集。
3.根据权利要求1所述的基于胶囊网络模型的脑电信号的情感分析方法，其特征在于，所述将所述若干个脑电信号样本对应的若干个初级胶囊输入至所述中级胶囊模块，获得所述若干个脑电信号样本对应的若干个中级胶囊，包括步骤：
根据预设的若干个卷积核，对所述初级胶囊中的局部特征进行卷积变换，获得第一卷积特征，并将相同位置索引参数的第一卷积特征进行组合，获得若干个位置索引参数的第一卷积特征集合，作为所述若干个第一胶囊通道；
将所述若干个第一胶囊通道存储于中级胶囊，根据预设的胶囊激活函数，对所述中级胶囊中若干个第一胶囊通道进行归一化处理，获得激活处理后的所述中级胶囊，其中，所述胶囊激活函数为：
Figure 755949DEST_PATH_IMAGE001
式中，
Figure 588776DEST_PATH_IMAGE002
为激活处理后的第一胶囊通道，tanh( )为激活函数，
Figure 729777DEST_PATH_IMAGE003
为1x1的卷积函数，
Figure 648054DEST_PATH_IMAGE004
为所述第一胶囊通道。
4.根据权利要求1所述的基于胶囊网络模型的脑电信号的情感分析方法，其特征在于：所述卷积层为具有多层结构的卷积网络；
所述将所述若干个脑电信号样本对应的若干个中级胶囊输入至所述高级胶囊模块的卷积层中，获得所述高级胶囊模块的卷积层输出的若干个脑电信号样本对应的若干个卷积特征集，包括步骤：
将所述中级胶囊中的第一胶囊通道作为所述卷积层的输入数据，根据预设的卷积算法，对所述中级胶囊中的若干个第一胶囊通道的第一卷积特征进行卷积变换，获得所述卷积层输出的若干个层对应的第二卷积特征，并将同一层的相同位置索引参数的第二卷积特征进行组合，获得所述卷积层输出的若干个层对应的若干个位置索引参数的第二卷积特征集合，作为所述卷积层输出的若干个层对应的若干个第二胶囊通道，进行组合，获得若干个卷积特征集，其中，所述卷积算法为：
Figure 814593DEST_PATH_IMAGE005
式中，
Figure 236347DEST_PATH_IMAGE006
为所述卷积层输出的第l层对应的第二胶囊通道，
Figure 315293DEST_PATH_IMAGE007
为3x3的卷积函数。
5.根据权利要求4所述的基于胶囊网络模型的脑电信号的情感分析方法，其特征在于，所述将所述若干个脑电信号样本对应的若干个卷积特征集输入至所述高级胶囊模块的注意力路由层中，基于所述卷积特征集中第二胶囊通道的位置索引参数，获得所述高级胶囊模块的注意力路由层输出的若干个脑电信号样本对应的若干个高级胶囊，包括步骤：
将基于所述第二胶囊通道的位置索引参数，计算同一位置索引参数的若干个所述第二胶囊通道中的第二卷积特征与预设的卷积核向量参数之间的标量积，获得若干个位置索引参数对应的对数概率，根据所述若干个位置索引参数对应的对数概率以及预设的归一化指数函数，获得权重参数集，其中，所述权重参数集包括若干个位置索引参数对应的权重参数；
根据所述权重参数集、若干个卷积特征集以及预设的注意力路由计算算法，将同一位置索引参数的若干个所述第二胶囊通道中的第二卷积特征与相应的权重参数进行点积累加处理，获得若干个位置索引参数对应的注意力特征，其中，所述注意力路由计算算法为：
Figure 658549DEST_PATH_IMAGE008
式中，
Figure 363200DEST_PATH_IMAGE009
为所述位置索引参数对应的注意力特征，w，h，n分别为所述位置索引参数中的宽度参数、高度参数以及维度参数，
Figure 905040DEST_PATH_IMAGE010
为所述卷积特征集中的第二胶囊通道的数目，
Figure 669734DEST_PATH_IMAGE011
为所述位置索引参数对应的权重参数；
将所述若干个位置索引参数对应的注意力特征存储于高级胶囊中，根据预设的胶囊激活函数，对所述高级胶囊中若干个位置索引参数对应的注意力特征进行归一化处理，获得激活处理后的所述脑电信号样本对应的高级胶囊，其中，所述胶囊激活函数为：
Figure 546292DEST_PATH_IMAGE012
式中，
Figure 789054DEST_PATH_IMAGE013
为激活处理后的位置索引参数对应的注意力特征，
Figure 185400DEST_PATH_IMAGE014
为所述位置索引参数对应的注意力特征，
Figure 855416DEST_PATH_IMAGE015
为1x1的卷积函数，tanh( )为激活函数。
6.根据权利要求5所述的基于胶囊网络模型的脑电信号的情感分析方法，其特征在于，所述将所述若干个脑电信号样本对应的若干个高级胶囊输入至所述输出胶囊模块中进行连接处理，获得所述若干个脑电信号样本对应的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊、输出胶囊以及标签集，构建所述胶囊网络模型的损失函数，进行优化训练，获得目标胶囊网络模型，包括步骤：
将所述高级胶囊中，同一位置索引参数对应的注意力特征进行组合，获得所述若干个位置索引参数的总注意力特征，将所述若干个位置索引参数的总注意力特征存储于输出胶囊中，获得所述脑电信号样本对应的输出胶囊；
将所述脑电信号样本对应的输出胶囊输入至预设的解码器中，获得解码处理后的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊以及解码处理后的输出胶囊，构建所述胶囊网络模型的第一损失函数，其中，所述第一损失函数为：
Figure 173265DEST_PATH_IMAGE016
式中，
Figure 704872DEST_PATH_IMAGE017
为所述第一损失函数，MSELoss（）为均方损失函数，
Figure 221304DEST_PATH_IMAGE018
为所述初始胶囊，
Figure 327800DEST_PATH_IMAGE019
为所述解码处理后的输出胶囊；
对所述脑电信号样本对应的输出胶囊进行归一化处理，获得归一化处理后的输出胶囊，根据所述若干个脑电信号样本对应的归一化处理后的输出胶囊以及标签集，构建所述胶囊网络模型的第二损失函数，其中，所述第二损失函数为：
Figure 929683DEST_PATH_IMAGE020
式中，
Figure 769375DEST_PATH_IMAGE021
为所述第二损失函数，
Figure 140313DEST_PATH_IMAGE022
为表示类别，
Figure 355394DEST_PATH_IMAGE023
为预设的阳性惩罚系数，
Figure 178993DEST_PATH_IMAGE024
为预设的阴性惩罚系数，
Figure 832829DEST_PATH_IMAGE025
为所述归一化处理后的输出胶囊，
Figure 809006DEST_PATH_IMAGE026
为正则化系数；
结合所述第一损失函数以及第二损失函数，构建所述胶囊网络模型的总损失函数，其中，所述总损失函数为：
Figure 194988DEST_PATH_IMAGE027
式中，
Figure 771463DEST_PATH_IMAGE028
为所述总损失函数，
Figure 697830DEST_PATH_IMAGE029
为预设的训练权重参数。
7.一种基于胶囊网络模型的脑电信号的情感分析装置，其特征在于，包括：
数据集获取模块，用于获取脑电信号数据集，对脑电信号数据集中的原始脑电信号进行通道数据选择和样本分割的预处理，构建训练样本集以及标签集构建训练样本集，其中，所述训练样本集包括若干个脑电信号样本，所述标签集包括若干个脑电信号样本对应的情感标签；
模型构建模块，用于构建胶囊网络模型，其中，所述胶囊网络模型包括依次相连的初级胶囊模块、中级胶囊模块、高级胶囊模块以及输出胶囊模块，所述高级胶囊模块包括卷积层以及注意力路由层；
初级胶囊获取模块，用于将所述训练样本集输入至所述胶囊网络模型中，根据所述初级胶囊模块，对所述若干个脑电信号样本进行局部特征提取，获得所述若干个脑电信号样本对应的若干个初级胶囊；
中级胶囊获取模块，用于将所述若干个脑电信号样本对应的若干个初级胶囊输入至所述中级胶囊模块，获得所述若干个脑电信号样本对应的若干个中级胶囊，其中，所述中级胶囊包括若干个第一胶囊通道，所述第一胶囊通道为具有相同的位置索引参数的第一卷积特征的集合；
卷积特征集获取模块，用于将所述若干个脑电信号样本对应的若干个中级胶囊输入至所述高级胶囊模块的卷积层中，获得所述高级胶囊模块的卷积层输出的若干个脑电信号样本对应的若干个卷积特征集，其中，所述卷积特征集包括若干个第二胶囊通道，所述第二胶囊通道为具有相同的位置索引参数的第二卷积特征的集合；
高级胶囊获取模块，用于将所述若干个脑电信号样本对应的若干个卷积特征集输入至所述高级胶囊模块的注意力路由层中，基于所述卷积特征集中第二胶囊通道的位置索引参数，获得所述高级胶囊模块的注意力路由层输出的若干个脑电信号样本对应的若干个高级胶囊，其中，所述高级胶囊包括若干个卷积特征集的若干个与位置索引参数相关联的注意力特征；
模型训练模块，用于将所述若干个脑电信号样本对应的若干个高级胶囊输入至所述输出胶囊模块中进行连接处理，获得所述若干个脑电信号样本对应的输出胶囊，根据所述若干个脑电信号样本对应的初始胶囊、输出胶囊以及标签集，构建所述胶囊网络模型的损失函数，进行优化训练，获得目标胶囊网络模型；
情感分析模块，用于响应于分析指令，获得待测脑电信号，将所述待测脑电信号输入至所述目标胶囊网络模型，获得所述待测脑电信号对应的情感分析结果。
8.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于胶囊网络模型的脑电信号的情感分析方法的步骤。
9.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于胶囊网络模型的脑电信号的情感分析方法的步骤。
CN202211055519.0A 2022-08-30 2022-08-30 基于胶囊网络模型的脑电信号的情感分析方法以及装置 Active CN115130664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211055519.0A CN115130664B (zh) 2022-08-30 2022-08-30 基于胶囊网络模型的脑电信号的情感分析方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211055519.0A CN115130664B (zh) 2022-08-30 2022-08-30 基于胶囊网络模型的脑电信号的情感分析方法以及装置

Publications (2)

Publication Number Publication Date
CN115130664A CN115130664A (zh) 2022-09-30
CN115130664B true CN115130664B (zh) 2022-11-08

Family

ID=83386929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211055519.0A Active CN115130664B (zh) 2022-08-30 2022-08-30 基于胶囊网络模型的脑电信号的情感分析方法以及装置

Country Status (1)

Country Link
CN (1) CN115130664B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304585B (zh) * 2023-05-18 2023-08-15 中国第一汽车股份有限公司 情感识别及模型训练方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112667080A (zh) * 2020-12-28 2021-04-16 西安电子科技大学 基于深度卷积对抗网络的脑电信号无人平台智能控制方法
CN113011243A (zh) * 2021-01-13 2021-06-22 苏州元启创人工智能科技有限公司 基于胶囊网络的面部表情分析方法
CN113208641A (zh) * 2021-05-10 2021-08-06 山东大学 基于三维多分辨注意力胶囊网络的肺结节辅助诊断方法
CN113554110A (zh) * 2021-07-30 2021-10-26 合肥工业大学 一种基于二值胶囊网络的脑电情绪识别方法
CN113749657A (zh) * 2021-09-10 2021-12-07 合肥工业大学 一种基于多任务胶囊的脑电情绪识别方法
CN113887212A (zh) * 2021-09-02 2022-01-04 国网江苏省电力有限公司 基于多注意力胶囊网络的电网调度指令多意图识别方法
CN114564990A (zh) * 2022-02-28 2022-05-31 合肥工业大学 一种基于多通道反馈胶囊网络的脑电信号分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190388679A1 (en) * 2017-03-07 2019-12-26 Elminda Ltd. Method and system for analyzing invasive brain stimulations
US20200250971A1 (en) * 2019-02-06 2020-08-06 Ford Global Technologies, Llc Vehicle capsule networks

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112667080A (zh) * 2020-12-28 2021-04-16 西安电子科技大学 基于深度卷积对抗网络的脑电信号无人平台智能控制方法
CN113011243A (zh) * 2021-01-13 2021-06-22 苏州元启创人工智能科技有限公司 基于胶囊网络的面部表情分析方法
CN113208641A (zh) * 2021-05-10 2021-08-06 山东大学 基于三维多分辨注意力胶囊网络的肺结节辅助诊断方法
CN113554110A (zh) * 2021-07-30 2021-10-26 合肥工业大学 一种基于二值胶囊网络的脑电情绪识别方法
CN113887212A (zh) * 2021-09-02 2022-01-04 国网江苏省电力有限公司 基于多注意力胶囊网络的电网调度指令多意图识别方法
CN113749657A (zh) * 2021-09-10 2021-12-07 合肥工业大学 一种基于多任务胶囊的脑电情绪识别方法
CN114564990A (zh) * 2022-02-28 2022-05-31 合肥工业大学 一种基于多通道反馈胶囊网络的脑电信号分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Learning Scalable Policies over Graphs for Multi-Robot Task Allocation using Capsule Attention Networks;Steve Paul et al;《IEEE International Conference on Robotics and Automation》;20220527;8823-8830 *
基于混合神经网络的脑电情感识别;蔡冬丽 等;《华南师范大学学报(自然科学版)》;20211231;第53卷(第1期);109-118 *

Also Published As

Publication number Publication date
CN115130664A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
Gautam et al. Prevalence and diagnosis of neurological disorders using different deep learning techniques: a meta-analysis
Ortiz-Echeverri et al. A new approach for motor imagery classification based on sorted blind source separation, continuous wavelet transform, and convolutional neural network
CN112801219B (zh) 一种多模态情感分类方法、装置及设备
Sethy et al. Smart paddy field monitoring system using deep learning and IoT
CN107958230B (zh) 人脸表情识别方法及装置
CN109559300A (zh) 图像处理方法、电子设备及计算机可读存储介质
CN111540467B (zh) 精神分裂症分类识别方法、运行控制装置及医疗设备
CN115130664B (zh) 基于胶囊网络模型的脑电信号的情感分析方法以及装置
Elshoky et al. Comparing automated and non‐automated machine learning for autism spectrum disorders classification using facial images
Kim et al. seq2vec: Analyzing sequential data using multi-rank embedding vectors
Malik et al. Hardware architecture for real-time computation of image component feature descriptors on a FPGA
Ou et al. An improved self-supervised learning for EEG classification
Datta et al. Artificial intelligence in critical care: Its about time!
EP4138091A1 (en) Cancer prognosis
Rybacki et al. Convolutional Neural Network (CNN) Model for the Classification of Varieties of Date Palm Fruits (Phoenix dactylifera L.)
Khaleghi et al. Salient arithmetic data extraction from brain activity via an improved deep network
Oh et al. Inductive Gaussian representation of user-specific information for personalized stress-level prediction
Liu et al. An automatic ECG signal quality assessment method based on resnet and self-attention
Hsu Embedded grey relation theory in Hopfield neural network: application to motor imagery EEG recognition
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
KR20200059129A (ko) 딥러닝 기반의 뇌-컴퓨터 인터페이스를 위한 공간-주파수 특징맵을 생성하는 장치 및 방법
CN112274144A (zh) 近红外脑功能成像数据的处理方法、装置和存储介质
CN112561935B (zh) 一种大脑影像智能分类方法、装置和设备
CN114241376A (zh) 行为识别模型训练和行为识别方法、装置、系统及介质
Ozaltın et al. Automatically image classification based on a new CNN architecture

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