CN115392302A - 一种基于融合图卷积网络的脑电情绪识别方法 - Google Patents

一种基于融合图卷积网络的脑电情绪识别方法 Download PDF

Info

Publication number
CN115392302A
CN115392302A CN202210974787.6A CN202210974787A CN115392302A CN 115392302 A CN115392302 A CN 115392302A CN 202210974787 A CN202210974787 A CN 202210974787A CN 115392302 A CN115392302 A CN 115392302A
Authority
CN
China
Prior art keywords
matrix
electroencephalogram
feature
fusion
emotion recognition
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
CN202210974787.6A
Other languages
English (en)
Inventor
孔万增
李孟航
仇敏
戴玮辰
张建海
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 CN202210974787.6A priority Critical patent/CN115392302A/zh
Publication of CN115392302A publication Critical patent/CN115392302A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (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融合图卷积网络的脑电情绪识别方法；该脑电情绪识别方法如下：一、对被测对象进行脑电采集，提取所得脑电信号中各通道的目标特征，作为被识别数据。二、根据步骤一得到的被识别数据，计算两个通道之间的物理信息矩阵、相关性矩阵、因果关系矩阵。三、构建邻接矩阵。四、构建正则化矩阵。五、对目标特征和正则化矩阵L进行图卷积操作，完成特征提取。六、将步骤五所得特征输入经过训练的深度可分离卷积网络，所得特征图输入全连接层，进行分类，得到被测对象进行脑电采集时的情感类别。本发明对图卷积的邻接矩阵做融合处理，使邻接矩阵包含多元化的信息，而不再是仅拥有单一的信息，进一步提高了模型情绪分类的准确率。

Description

一种基于融合图卷积网络的脑电情绪识别方法
技术领域
本发明属于脑电情绪识别领域，涉及一种基于FGCNN(fusional graphconvolutional neural network融合图卷积算法)的脑电情绪分类方法。
背景技术
在过去十年中使用脑电信号进行情绪识别的研究中，已经存在多种分类器方法来对不同类型的情绪状态进行分类。如K近邻，贝叶斯网络，支持向量机(Support VectorMachine，SVM)，典型相关分析，线性判别分析(Linear Discriminant Analysis，LDA)和反向传播被研究人员用来对不同的情绪进行分类。然而，由于使用不同的分类器，使得针对不同的训练数据集和测试数据集要使用相对应的分类器，从而模型不具有普遍适用性。而随着深度学习的流行，深度学习逐渐被应用于机器学习中。深度学习的终极目的就是让机器更加智能，能够像人类一样学习到有用的、需要的信息。
虽然传统的深度学习算法在特征的提取方面取得了很大的成就，但很多算法只局限于处于欧几里德空间中的数据，并且基于每个通道都是独立的假设。但是在实际应用中，大量的数据都产生于非欧氏空间中，并且EEG通道之间也必然存在某种相互依赖关系，使得这些传统算法的表现不尽如人意。这就使基于图数据(以图论为基础)的图神经网络(GraphNeural Network，GNN)应运而生，该网络利用邻接矩阵来计算节点的相互影响关系，而图卷积神经网络(Graph Convolutional Neural Network，GCNN)可以进一步将卷积操作从传统数据扩展到图数据。
相比于CNN，GCNN有更好的处理信号能力，模型在训练时可以考虑到EEG通道之间的相互关系。近年来提出的GCNN根据邻接矩阵的构造方法主要分为三类。一是利用通道之间的物理关系构建邻接矩阵，二是利用通道之间的功能联系构建邻接矩阵，三是利用通道之间的因果关系构建邻接矩阵。
2018年，《EEG-based video identification using graph signal modelingand graph convolutional neural network》使用相关系数、电极之间的物理距离和
Figure BDA0003797889860000011
随机图获得每个频段对应的带内图。该操作可以获得包含带内和带间连接关系的矩阵，将脑电数据表示为图形信号，并成功地将GCNN应用于基于脑电的视频识别。《EEG-based emotion recognition using regularized graph neural networks》考虑不同大脑区域之间的生物拓扑结构，以捕获不同EEG通道之间的局部和全局关系，从而构建了图卷积的邻接矩阵。《EEG emotion recognition using dynamical graph convolutionalneural networks》提出在图卷积模型训练期间动态更新矩阵以提高情感识别准确率。
2019年，《Phase-locking value based graph convolutional neural networksfor emotion recognition》使用锁相值(Phase Lock Value，PLV)将多通道EEG信号特征建模为图形信号，以提取隐含在EEG信号中的频带间信息。《GCNs-net:a graphconvolutional neural network approach for decoding time-resolved EEG motorimagery signals》引入整体信号的绝对皮尔逊矩阵，通过建立EEG电极的拉普拉斯图来区分四种类型的心理意象图，结果证明该方法可以融合个性化和群体预测。
《一种基于深度可分离因果图卷积网络的脑电情绪识别方法》提出的因果图卷积，使用格兰杰因果关系检验求出通道间的因果关系，构建一个非对称邻接矩阵，从而提高了图卷积识别情绪的分类准确率。
基于上述研究，可以发现，现有的图卷积模型所构建的邻接矩阵存在信息单一化的问题。为了能够进一步优化图卷积模型，同时为了图卷积能够挖掘出通道间的多元化信息，需要一个新的模型，该模型既考虑了脑电信号的物理性连接、相关性连接，也会考虑到通道间的因果性连接。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于FGCNN的脑电情绪识别方法，首先分别计算出脑电通道间的物理距离关系、相关性关系以及因果关系，再将得到的三个矩阵进行融合，得到模型所需的包含多元化信息的融合邻接矩阵，接着用图卷积对融合邻接矩阵和原始脑电信号做特征提取，最后进入全连接层，实现脑电情绪的分类。
第一方面，本发明提供一种基于深度可分离因果图卷积网络的脑电情绪识别方法，其包括以下步骤：
步骤一、对被测对象进行脑电采集，提取所得脑电信号中各通道的目标特征，作为被识别数据。目标特征为DE、DASM和DCAU特征中的任意一个。
步骤二、根据步骤一得到的被识别数据，计算两个通道之间的物理信息矩阵Ad、相关性矩阵Ap、因果关系矩阵Ac。
步骤三、构建邻接矩阵AF如下：
Figure BDA0003797889860000031
其中，
Figure BDA0003797889860000032
代表矩阵元素逐点相加；
Figure BDA0003797889860000033
分别表示物理信息矩阵、相关性矩阵、因果关系矩阵的对应位置元素。
步骤四、构建正则化矩阵L如下：
L＝IN-D-1/2AF D-1/2
其中，IN是单位矩阵；D∈RN*N是图的度矩阵；
Figure BDA0003797889860000034
计算得到。
步骤五、对目标特征和正则化矩阵L进行图卷积操作，完成特征提取。
步骤六、将步骤五所得特征输入经过训练的深度可分离卷积网络，所得特征图输入全连接层，进行分类，得到被测对象进行脑电采集时的情感类别。
作为优选，步骤一所述的目标特征为DE特征。
作为优选，步骤二中，物理信息矩阵Ad表示为：
Figure BDA0003797889860000035
其中，θ是确定径向作用范围的带宽。ci和cj表示任意通道的特征。τ是边界，dist(i，j)则表示特征ci和特征cj之间的距离。
作为优选，步骤二中，相关性矩阵Ap表示为：
Figure BDA0003797889860000036
其中，cov(i，j)为特征ci和特征cj之间的协方差；σi、σj分别为特征ci、特征cj的标准差。
作为优选，步骤二中，因果关系矩阵Ac表示为：
Figure BDA0003797889860000037
其中，
Figure BDA0003797889860000038
是特征ci在单变量AR模型中的预测误差方差；
Figure BDA0003797889860000039
ei是特征ci在单变量AR模型的预测误差；
Figure BDA0003797889860000041
是特征d对特征cj的二元AR模型的预测误差方差；
Figure BDA0003797889860000042
eji分别是特征ci对特征cj的二元预测误差。
作为优选，步骤五中提取的特征y的表达式如下：
Figure BDA0003797889860000043
其中，K为切比雪夫多项式的阶数；θk为切比雪夫多项式的系数；
Figure BDA0003797889860000044
为递归表达式；k＝0，1，...K-1；
Figure BDA0003797889860000045
的表达式为
Figure BDA0003797889860000046
λmax是对角矩阵Λ的最大元素；对角矩阵Λ通过正则化矩阵L奇异值分解得到。
作为优选，被识别的情感类别包括积极、中性和消极。
第二方面，本发明提供一种脑电情绪识别系统，其包括脑电采集模块、通道关系提取模块、图卷积模块和识别模块。脑电采集模块用于对被测对象进行脑电采集和预处理；关系提取模块用于提取脑电通道间的距离关系、相关性关系和因果性关系，并进行融合，得到正则化矩阵。图卷积模块用于对脑电信号中的目标特征和正则化矩阵进行图卷积操作。识别模块用于通过深度可分离卷积网络和全连接层对图卷积模块输出的特征进行识别，获得被测对象进行脑电采集时的情感类别。
第三方面，本发明提供一种计算机设备，其包括存储器和至少一个处理器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行前述的识别方法。
第四方面，本发明提供一种可读存储介质，其存储有计算机指令，所述计算机指令被处理器执行时用于实现前述的识别方法。
本发明的有益效果是：
本发明对图卷积的邻接矩阵做融合处理，使邻接矩阵包含多元化的信息，而不再是仅拥有单一的信息，通过充分地挖掘脑电通道间的拓扑、功能、因果关系，更好地利用脑电数据的多种特征，增强模型的可解释能力，进一步提高了模型情绪分类的准确率。
附图说明
图1为本发明提出的FGCNN模型的网络框架图。
图2为本发明使用的关系矩阵与现有关系矩阵所达到的识别结果对比图。
具体实施方式
为使本发明的目的、技术方案和要点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
一种基于深度可分离因果图卷积网络的脑电情绪识别方法，包括以下步骤：
步骤一、选择数据集
使用上海交通大学提供的情感脑电SEED数据集；该数据集由15个被试(7名男性，8名女性)分别观看来自6部电影的15个片段，引起的不同的情感(积极，中性，消极)所产生，因此每个被试的一次实验均产生15组数据；每个被试均进行三次实验，每个实验相隔一周；每个被试均产生15×3＝45组数据。而每个被试的每次实验均取前9个片段作为训练集，后6个片段作为测试集。对于每个被试，选取两次实验，最终的平均结果用来衡量模型的效果。本发明主要选取SEED数据集中预处理后的DE、DASM和DCAU特征进行处理。
步骤二、通道间单一化信息计算
本步骤需要先建立三个矩阵，分别包含通道间的物理信息、相关性信息和因果信息。
一般确定物理距离的方法有距离函数和K邻近方法。最常使用的经典距离函数是高斯核函数，是目前比较常用的核函数。它可以实现数据到高维度空间上的映射；任意两个通道之间的物理信息矩阵Ad可以表示为：
Figure BDA0003797889860000051
其中，θ是确定径向作用范围的带宽。也就是说，θ可以确定高斯核函数的局部域。ci和cj表示通道i，j的脑电特征。τ是边界，dist(ci，cj)则表示特征ci和特征cj之间的距离。
因为脑电信号是个连续的数据，且每个通道都相对独立，所以本发明主要采用最适合该类数据的皮尔逊相关系数去获得通道间的相关性信息。相关系数是指当其他变量发生改变时，一个变量会随之发生改变。若存在X、Y这两个变量，则最终得到的相关系数的意义可以这样理解：(1)当X与Y之间没有任何关联，则相关系数为0。(2)当变量X增加(减少)时，变量Y增加(减少)，这两个变量的关系为0至1。(3)随着变量X的增加(增加)，Y的下降(减少)，这个值在-1到0之间。
要理解皮尔逊相关系数，首先要理解协方差，这是反映两个变量X，Y之间的关系的指数，其关系式如下：
Figure BDA0003797889860000061
其中，
Figure BDA0003797889860000062
分别是X、Y变量的均值，变量的总量为n。
虽然协方差公式也能够反映两个变量的相关程度，但在二维空间中，若两个变量相关度低，而数据的分布相对分散，则得到的协方差的值较大，此时的结果就不太合理，因此引入了皮尔逊系数。皮尔逊系数是在协方差基础上，再除以它们的标准差；任意两个通道之间的相关性矩阵Ap定义为：
Figure BDA0003797889860000063
其中，cov(ci，cj)表示通道i与通道j的特征ci，cj的协方差，σi，σj分别是与通道i，j相对应的标准差。
对于通道间的因果关系，选取两个EEG通道的特征，将他们定义为c1、c2。对于c1和c2两个时间序列，使用c1的自回归(Autoregressive Model，AR)模型和c1和c2的联合回归模型来预测两个通道特征之间的影响因素。
Figure BDA0003797889860000064
Figure BDA0003797889860000065
Figure BDA0003797889860000066
其中，Xt代表通道特征c1在[0，t]内的时间序列；Yt代表通道特征c2在[0，t]内的时间序列；αp，βp包含了AR模型在p时刻的AR系数；γ11，p，γ12，p，γ21，p和γ22，p是双变量回归模型在p时刻的二元回归系数；e1，e2是单变量AR模型的预测误差；e12、e21分别是通道特征c2对通道特征c1、通道特征c1对通道特征c2的二元预测误差。
我们使用最小二乘法估计回归模型参数，并计算回归模型的预测误差。因此将两个通道的格兰杰因果影响定义为：
Figure BDA0003797889860000071
Figure BDA0003797889860000072
其中，
Figure BDA0003797889860000073
是特征c1和特征c2在单变量AR模型的预测误差方差；
Figure BDA0003797889860000074
Figure BDA0003797889860000075
则是特征c2对特征c1、特征c1对特征c2的二元AR模型的预测误差方差，可以通过
Figure BDA0003797889860000076
得到。GCc1←c2、GCc2←c1分别表示特征c2对特征c1的格兰杰因果影响、特征c1对特征c2的格兰杰因果影响。
因此包含因果信息的矩阵Ac定义为：
Figure BDA0003797889860000077
其中，i、j表示任意通道；
Figure BDA0003797889860000078
步骤三、邻接矩阵构建
针对现有的图卷积模型中邻接矩阵信息的单一化问题，本步骤构建了融合邻接矩阵。该邻接矩阵包含了脑电通道间的三种关系：距离关系、相关性关系和因果性关系。
步骤二分别计算了脑电通道的距离关系、相关性关系以及因果关系，得到三个关系矩阵。为了更直观地融合三种矩阵的信息，本步骤进行逐点相加的融合方法。
因此，融合邻接矩阵AF定义为：
Figure BDA0003797889860000079
其中，
Figure BDA00037978898600000710
代表矩阵元素逐点相加；
Figure BDA00037978898600000711
分别表示物理信息矩阵、相关性矩阵、因果关系矩阵的对应位置元素。
该方法得到的多元化邻接矩阵中包含了三种信息：物理信息、相关性信息以及通道间的因果性关系。称这样的矩阵为融合邻接矩阵，这样的矩阵能够为模型提供更全面、丰富的通道间各种关系信息，有助于模型利用这些信息，提取到更有效的与情绪相关的特征。
步骤四、正则化矩阵
根据正则化拉普拉斯矩阵L的定义：
L＝IN-D-1/2AF D-1/2 (4.1)
其中，IN是单位矩阵；D∈RN*N是图的度矩阵；D可以通过
Figure BDA0003797889860000081
计算得到，而AF就是步骤三得到的融合邻接矩阵。
步骤五、特征提取
图卷积操作是指利用其他节点的信息对该节点的信息进行预测判断。其实质就是对特征进行传输。该方法将需要预测类别的特征信息，传输到已知类别的特征节点上，利用这些节点的类别，从而实现对未知类别节点的类别预测。核心思想就是利用边的信息来聚合节点信息，从而产生新的节点表示。因此每个节点的信息越全面，那么预测的结果就更加准确。
在图卷积神经网络上，信号x与图的滤波器θ的卷积定义为：y＝gθ(L)x，gθ是图信号的滤波函数。图拉普拉斯L的奇异值分解为：L＝UΛuT，其中U是正交函数，由L的特征向量组成，U＝[u0，u1，…，uN-1]∈RN×N，Λ＝diag([λ0，λ1，…，λN-1])是个对角矩阵，x∈RN*F是输入信号，N为通道数，F是特征数，因此：
y＝gθ(L)x＝Ugθ(Λ)UTx (5.1)
其中，U为图拉普拉斯L经奇异值分解得到的正交函数；gθ(Λ)为滤波器θ的算子。
然而为了简化计算，引入K阶切比雪夫多项式来计算gθ(Λ)。
Figure BDA0003797889860000082
其中，θk是切比雪夫多项式的系数；
Figure BDA0003797889860000083
λmax是对角矩阵Λ的最大元素；而
Figure BDA0003797889860000084
通过递归表达式进行计算，其中
Figure BDA0003797889860000085
Figure BDA0003797889860000086
图卷积操作可变为：
Figure BDA0003797889860000091
其中，
Figure BDA0003797889860000092
再将公式(3.1)的正则化拉普拉斯矩阵带入，就得到了最终的图卷积公式(5.3)。
如图1所示，融合图卷积主要包含三大部分：首先是将原始的生理信号复制为三份，分别对其提取通道间的物理距离信息、相关性信息和因果性信息，将得到的三个通道数×通道数的矩阵进行融合操作，得到最终的融合邻接矩阵。
第二部分则是图卷积部分，通过切比雪夫多项式进行图卷积操作，提取出脑电拓扑图的空间特征。第三部分是对上一层得到的特征进行分类，输出最终的预测类别。
步骤六、根据步骤五提取的特征输入经过训练的深度可分离卷积网络，所得特征图输入全连接层和softmax函数，进行分类。训练过程为使用训练集经步骤二至五处理的特征对可分离卷积网络进行训练，调整参数，具体过程属于现有技术，在此不作赘述。
步骤七、对需要测试情感类型的被测者进行脑电数据采集，并预处理得到各通道的目标特征；目标特征为DE、DASM、DCAU中的任意一个；将所得各通道的目标特征根据步骤二至六的方法进行处理；全连接层输出被测者处于三种情感类型的概率(积极，中性，消极)；取最大概率对应的情感类别作为被测者当前情感类别的识别结果。
利用本实施例提供的脑电情绪识别方法(记为FGCNN)与现有技术中的四种方法(SVM、GCNN、DGCNN、CGCNN)进行对比，结果如表1-3所示。
表1模型在SEED数据集DE特征上的准确率和标准差
Figure BDA0003797889860000093
Figure BDA0003797889860000101
表2模型在SEED数据集DASM特征上的准确率和标准差
Figure BDA0003797889860000102
表3模型在SEED数据集DCAU特征上的准确率和标准差
Figure BDA0003797889860000103
从表1、表2、表3可以发现，相比于SVM、GCNN、DGCNN、CGCNN方法，本发明提出的FGCNN方法在三个特征(DE、DASM和DCAU)的大部分频带上准确率都有一定的提高。在对比的方法中，SVM是一种经典的机器学习方法。GCNN是本发明提出的FGCNN方法的基线，识别准确率达到87.40％。DGCNN通过动态更新构建图来更新GCN，将识别准确率提高到90.40％。CGCNN利用因果关系构建图网络，将识别准确率提高到93.36％。本发明提出的FGCNN方法融合了包含不同大脑连接特征的图，得到EEG数据的统一表示，达到了更高的准确率94.10％。
在SEED数据集上进行的实验表明，与其他图模型相比，所提出的融合图卷积神经网络(FGCN)提高了情感识别的准确性，说明融合图包含丰富的脑电数据空间信息，证明了FGCN的有效性。
在不同频段上进行的实验证明，β频段和γ频段对于基于EEG的情绪识别更有效，同时证明了邻接矩阵信息的多元化，有助于提高图卷积模型情绪识别的能力。
用不同的关系矩阵进行的实验证明，图中包含的大脑连接信息越丰富，FGCN对基于EEG的情感识别就越有效，如图2所示。
同时，我们尝试了不同的融合策略(逐点相加、交叉扩散过程、逐点乘积、克罗内克乘积和克罗内克加法)。其中，我们选取的局部融合策略(逐点相加)与逐点相乘不融合相邻通道的信息，而其他三种融合方式均有相邻通道的信息交互。由表4可以发现，元素的相加与任何方式实现的元素相乘相比，识别效果更好。相邻通道之间进行不同连接信息传递可能会导致识别结果混淆，降低识别准确率。因此，逐点相加的融合策略在基于EEG的情感识别上比其他复杂的融合策略的融合效果更好。
表4不同融合策略在SEED数据集DE特征上的准确率
Figure BDA0003797889860000111

Claims (9)

1.一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：包括以下步骤：
步骤一、对被测对象进行脑电采集，提取所得脑电信号中各通道的目标特征，作为被识别数据；目标特征为DE、DASM和DCAU特征中的任意一个；
步骤二、根据步骤一得到的被识别数据，计算两个通道之间的物理信息矩阵Ad、相关性矩阵Ap、因果关系矩阵Ac；
步骤三、构建邻接矩阵AF如下：
Figure FDA0003797889850000011
其中，
Figure FDA0003797889850000012
代表矩阵元素逐点相加；
Figure FDA0003797889850000013
分别表示物理信息矩阵、相关性矩阵、因果关系矩阵的对应位置元素；
步骤四、构建正则化矩阵L如下：
L＝IN-D-1/2AFD-1/2
其中，IN是单位矩阵；D∈RN*N是图的度矩阵；
Figure FDA0003797889850000014
计算得到；
步骤五、对目标特征和正则化矩阵L进行图卷积操作，完成特征提取；
步骤六、将步骤五所得特征输入经过训练的深度可分离卷积网络，所得特征图输入全连接层，进行分类，得到被测对象进行脑电采集时的情感类别。
2.根据权利要求1所述的一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：步骤一所述的目标特征为DE特征；
作为优选，步骤二中，物理信息矩阵Ad表示为：
Figure FDA0003797889850000015
其中，θ是确定径向作用范围的带宽；ci和cj表示任意通道的特征；τ是边界，dist(i,j)则表示特征ci和特征cj之间的距离。
3.根据权利要求1所述的一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：步骤二中，相关性矩阵Ap表示为：
Figure FDA0003797889850000021
其中，cov(i,j)为特征ci和特征cj之间的协方差；σi、σj分别为特征ci、特征cj的标准差。
4.根据权利要求1所述的一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：步骤二中，因果关系矩阵Ac表示为：
Figure FDA0003797889850000022
其中，
Figure FDA0003797889850000023
是特征ci在单变量AR模型中的预测误差方差；
Figure FDA0003797889850000024
ei是特征ci在单变量AR模型的预测误差；
Figure FDA0003797889850000025
是特征ci对特征cj的二元AR模型的预测误差方差；
Figure FDA0003797889850000026
Figure FDA0003797889850000027
eji分别是特征ci对特征cj的二元预测误差。
5.根据权利要求1所述的一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：步骤五中提取的特征y的表达式如下：
Figure FDA0003797889850000028
其中，K为切比雪夫多项式的阶数；θk为切比雪夫多项式的系数；
Figure FDA0003797889850000029
为递归表达式；k＝0,1,...K-1；
Figure FDA00037978898500000210
Figure FDA00037978898500000211
的表达式为
Figure FDA00037978898500000212
λmax是对角矩阵Λ的最大元素；对角矩阵Λ通过正则化矩阵L奇异值分解得到。
6.根据权利要求1所述的一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：被识别的情感类别包括积极、中性和消极。
7.一种脑电情绪识别系统，包括脑电采集模块；其特征在于：还包括通道关系提取模块、图卷积模块和识别模块；脑电采集模块用于对被测对象进行脑电采集和预处理；关系提取模块用于提取脑电通道间的距离关系、相关性关系和因果性关系，并进行融合，得到正则化矩阵；图卷积模块用于对脑电信号中的目标特征和正则化矩阵进行图卷积操作；识别模块用于通过深度可分离卷积网络和全连接层对图卷积模块输出的特征进行识别，获得被测对象进行脑电采集时的情感类别。
8.一种计算机设备，包括存储器和至少一个处理器；其特征在于：所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-6中任意一项所述的识别方法。
9.一种可读存储介质，存储有计算机指令；其特征在于：所述计算机指令被处理器执行时用于实现如权利要求1-6中任意一项所述的识别方法。
CN202210974787.6A 2022-08-15 2022-08-15 一种基于融合图卷积网络的脑电情绪识别方法 Pending CN115392302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210974787.6A CN115392302A (zh) 2022-08-15 2022-08-15 一种基于融合图卷积网络的脑电情绪识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210974787.6A CN115392302A (zh) 2022-08-15 2022-08-15 一种基于融合图卷积网络的脑电情绪识别方法

Publications (1)

Publication Number Publication Date
CN115392302A true CN115392302A (zh) 2022-11-25

Family

ID=84119049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210974787.6A Pending CN115392302A (zh) 2022-08-15 2022-08-15 一种基于融合图卷积网络的脑电情绪识别方法

Country Status (1)

Country Link
CN (1) CN115392302A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033638A (zh) * 2023-08-23 2023-11-10 南京信息工程大学 一种基于脑电eeg认知对齐知识图谱的文本情感分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033638A (zh) * 2023-08-23 2023-11-10 南京信息工程大学 一种基于脑电eeg认知对齐知识图谱的文本情感分类方法
CN117033638B (zh) * 2023-08-23 2024-04-02 南京信息工程大学 一种基于脑电eeg认知对齐知识图谱的文本情感分类方法

Similar Documents

Publication Publication Date Title
WO2017206936A1 (zh) 基于机器学习的网络模型构造方法及装置
CN109657945B (zh) 一种基于数据驱动的工业生产过程故障诊断方法
Tscherepanow TopoART: A topology learning hierarchical ART network
CN110059593B (zh) 一种基于反馈卷积神经网络的面部表情识别方法
Li et al. Learning parametric models for social infectivity in multi-dimensional hawkes processes
CN106503672A (zh) 一种老年人异常行为的识别方法
CN106789149B (zh) 采用改进型自组织特征神经网络聚类算法的入侵检测方法
CN112966747A (zh) 一种基于无锚框检测网络改进的车辆检测方法
CN111178543B (zh) 一种基于元学习的概率域泛化学习方法
CN110717423A (zh) 一种老人面部表情的情感识别模型的训练方法及装置
CN115392302A (zh) 一种基于融合图卷积网络的脑电情绪识别方法
CN116386899A (zh) 基于图学习的药物疾病关联关系预测方法及相关设备
Duin et al. Open issues in pattern recognition
CN114818963A (zh) 一种基于跨图像特征融合的小样本检测算法
CN112215490A (zh) 一种基于相关性系数改进K-means的电力负荷聚类分析方法
CN115019342A (zh) 一种基于类关系推理的濒危动物目标检测方法
Yang et al. A two-stage training framework with feature-label matching mechanism for learning from label proportions
Miao et al. Towards compact broad learning system by combined sparse regularization
Levner et al. Automated feature extraction for object recognition
CN111160161B (zh) 一种基于噪声剔除的自步学习人脸年龄估计方法
Chouaib et al. Fast feature selection for handwritten digit recognition
Fu et al. Image categorization using ESFS: a new embedded feature selection method based on SFS
CN113642674A (zh) 一种基于图卷积神经网络的多轮对话分类方法
Chien et al. Variational disentangled attention and regularization for visual dialog
CN113590720A (zh) 数据分类方法、装置、计算机设备和存储介质

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