CN115715677B - 情绪识别模型的训练方法、训练装置、设备及存储介质 - Google Patents

情绪识别模型的训练方法、训练装置、设备及存储介质 Download PDF

Info

Publication number
CN115715677B
CN115715677B CN202110976669.4A CN202110976669A CN115715677B CN 115715677 B CN115715677 B CN 115715677B CN 202110976669 A CN202110976669 A CN 202110976669A CN 115715677 B CN115715677 B CN 115715677B
Authority
CN
China
Prior art keywords
tester
data
electroencephalogram signals
electroencephalogram
signals
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
CN202110976669.4A
Other languages
English (en)
Other versions
CN115715677A (zh
Inventor
颜延
吴选昆
刘语诗
陈达理
梁端
李慧慧
王磊
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.)
Shenzhen University Of Technology Preparatory
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen University Of Technology Preparatory
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen University Of Technology Preparatory, Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen University Of Technology Preparatory
Priority to CN202110976669.4A priority Critical patent/CN115715677B/zh
Publication of CN115715677A publication Critical patent/CN115715677A/zh
Application granted granted Critical
Publication of CN115715677B publication Critical patent/CN115715677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明提供了一种情绪识别模型的训练方法、训练装置、设备及存储介质，训练方法包括：采集不同测试者在不同情绪刺激下的脑电信号；分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据；分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据；从不同测试者的脑电信号的特征数据中选取一部分特征数据作为情绪识别模型的训练数据。本发明提出的情绪识别模型的训练方法可以避免采用复杂的人工设计特征和人工筛选特征的步骤，降低了分析难度和复杂程度，且将脑电信号的拓扑特征作为训练数据可以获得在常规统计分析中丢失的关键信息，提升了识别的准确率。

Description

情绪识别模型的训练方法、训练装置、设备及存储介质
技术领域
本发明涉及人体活动识别技术领域，尤其涉及一种情绪识别模型的训练方法、训练装置、设备及存储介质。
背景技术
情绪作为大脑的高级功能，是人类主体的一种心理活动。随着脑机接口(BCI)技术的发展，脑电信号在情绪识别和分类中被广泛应用，相对于人类外在特征的表现，类似脑电信号等电生理信号不受人类主观意志的影响，更能直接的反映出人类真实的生理和心理状态，所以脑电信号被作为情绪识别的一个相对客观的指标。
目前基于脑电信号的情绪识别根据技术分可为两类：一种是基于深度学习的方法，这类方法采用一种端到端的技术，训练隐藏的多层神经网络达到分类的效果；另一种是基于机器学习的方法，此类方法大多数方法都是基于频域、时域和时频结合等分析手段，提取信号的最大/最小值、中位数、熵、能量以及振幅等大量人工设计的特征结合机器学习算法进行情绪分类。由于脑电信号的复杂性，受影响的因素较多，基于上述方法在单独使用脑电信号进行情绪识别的时候效果往往不是很理想，所以许多研究会在研究情绪识别时加入其他生理信号，例如，脸部表情、心电、肌电等，来加强特征和提高模型的识别率，但这样的融合会增加工作和模型的复杂性，并且，上述方法在进行特征提取的时候，往往需要人工设计许多特征，特征选取具有很强的主观性，鲁棒性较差。
发明内容
为了解决现有技术的不足，本发明提供一种情绪识别模型的训练方法、训练装置、设备及存储介质，能够有效提升识别准确率和鲁棒性。
本发明提出的具体技术方案为：一种情绪识别模型的训练方法，所述训练方法包括：
采集不同测试者在不同情绪刺激下的脑电信号；
分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据；
分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据；
从不同测试者的脑电信号的特征数据中选取一部分特征数据作为训练数据；
利用所述训练数据对情绪识别模型进行训练。
进一步地，分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据，包括：
对每一个测试者的脑电信号进行下采样，获得每一个测试者的脑电信号的采样数据；
对每一个测试者的脑电信号的采样数据进行带通滤波，获得每一个测试者的脑电信号的有效数据；
采用第一截止频率和第二截止频率分别对每一个测试者的脑电信号的有效数据进行带通滤波，获得每一个测试者的脑电信号的第一子频带信号和第二子频带信号；
对每一个测试者的脑电信号的第一子频带信号、第二子频带信号进行滑窗处理得到每一个测试者的脑电信号对应的多个窗口数据，每一个窗口数据均包括第一子频带信号的数据和第二子频带信号的数据；
将每一个测试者的脑电信号对应的多个窗口数据作为所述测试者的脑电信号的预处理数据，获得每一个测试者的脑电信号的预处理数据。
进一步地，每一个测试者的脑电信号对应的多个窗口数据中任意相邻两个窗口数据之间的重叠率为0。
进一步地，对每一个测试者的脑电信号的采样数据进行带通滤波所采用的截止频率为0～75Hz，所述第一截止频率为4～7Hz，所述第二截止频率为8～13Hz。
进一步地，分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据，包括：
对每一个测试者的脑电信号对应的多个窗口数据中的每一个窗口数据进行相空间重建，获得每一个测试者的脑电信号对应的多个窗口数据的点云数据；
对每一个测试者的脑电信号对应的多个窗口数据的点云数据分别进行持续同调，获得每一个测试者的脑电信号对应的多个窗口数据的持续同调图；
根据每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别提取每一个窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征；
根据每一个测试者的脑电信号对应的多个窗口数据的拓扑特征获得每一个测试者的脑电信号的特征数据。
进一步地，根据每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别提取每一个窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征，包括：
通过高斯分布函数对每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别进行空间转换，获得每一个测试者的脑电信号对应的多个窗口数据在平面空间中的持续同调图；
根据每一个测试者的脑电信号对应的多个窗口数据在平面空间中的持续同调图分别获得每一个测试者的脑电信号对应的多个窗口数据的持续性图像；
将每一个测试者的脑电信号对应的多个窗口数据的持续性图像分别映射成单一维度的特征向量；
将每一个窗口数据的特征向量作为所述窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征。
进一步地，所述情绪识别模型为随机森林分类器。
本发明还提供了一种情绪识别模型的训练装置，所述训练装置包括：
采集模块，用于采集不同测试者在不同情绪刺激下的脑电信号；
预处理模块，用于分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据；
特征提取模块，用于分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据；
选取模块，用于从不同测试者的脑电信号的特征数据中选取一部分特征数据作为训练数据；
训练模块，用于利用所述训练数据对情绪识别模型进行训练。
本发明还提供了一种设备，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计算机程序，所述处理器执行所述计算机程序以实现如上所述的情绪识别模型的训练方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机指令，所述计算机指令被处理器执行时实现如上所述的情绪识别模型的训练方法。
本发明提出的情绪识别模型的训练方法通过提取不同测试者的脑电信号的拓扑特征并将每个测试者的脑电信号的拓扑特征作为特征数据，然后从不同测试者的脑电信号的特征数据中选取一部分特征数据作为训练数据对情绪识别模型进行训练，从而避免采用复杂的人工设计特征和人工筛选特征的步骤，降低了分析难度和复杂程度，且将脑电信号的拓扑特征作为训练数据可以获得在常规统计分析中丢失的关键信息，提升了识别的准确率。
附图说明
下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。
图1为本申请实施例中的情绪识别模型的训练方法的示意图；
图2为本申请实施例中对不同测试者在不同情绪刺激下的脑电信号进行预处理的示意图；
图3为本申请实施例中对每一个测试者的脑电信号的预处理数据进行拓扑特征提取的示意图；
图4为本申请实施例中的点云数据在三维空间中的示意图；
图5为本申请实施例中的持续同调图的示意图；
图6为本申请实施例中根据每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别提取每一个窗口数据的拓扑特征的示意图；
图7为本申请实施例中的持续性图像的示意图；
图8为本申请实施例中的情绪识别模型的训练装置的示意图；
图9为本申请实施例中的预处理模块的示意图；
图10为本申请实施例中的特征提取模块的示意图；
图11为本申请实施例中的设备的示意图。
具体实施方式
以下，将参照附图来详细描述本发明的实施例。然而，可以以许多不同的形式来实施本发明，并且本发明不应该被解释为限制于这里阐述的具体实施例。相反，提供这些实施例是为了解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改。在附图中，相同的标号将始终被用于表示相同的元件。
参照图1，本实施例提供的情绪识别模型的训练方法包括以下步骤：
S1、采集不同测试者在不同情绪刺激下的脑电信号；
S2、分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据；
S3、分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据；
S4、从不同测试者的脑电信号的特征数据中选取一部分特征数据作为训练数据；
S5、利用训练数据对情绪识别模型进行训练。
大脑是复杂的非线性动态系统，要获取充分有效的脑部受情绪活动的信号，脑电信号的采集需涉及大脑表层多区域的信号，即脑电信号是一组多通道的时间序列，为了捕获每个通道的脑电信号与不同情绪活动的关联，需要将全部通道的信号进行分析。一般脑电信号有62个通道，62个通道的信号分别通过设置于大脑皮层不同区域的62个电极来获取，每一个电极对应一个通道的信号。
在实际采集过程中，利用不同类型的电影片段，通过视听刺激诱发多个测试者的情绪并采集此时间段测试者的62个通道的头皮脑电信号。例如，本实施例选择了15名测试者，每名测试者进行三次实验，相邻两次实验之间的时间间隔为一周，每次实验，测试者都需要观看15部经过剪辑的不同类型的影片来进行视听觉刺激，每段影片都有各自的情感标签，这样，采集的每个测试者的脑电信号共45个，待所有测试者采集完毕后，总共获得的脑电信号的样本数量为45╳N个，其中，N表示测试者的数量。
参照图2，在步骤S2中，分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据具体包括：
S21、对每一个测试者的脑电信号进行下采样，获得每一个测试者的脑电信号的采样数据；
S22、对每一个测试者的脑电信号的采样数据进行带通滤波，获得每一个测试者的脑电信号的有效数据；
S23、采用第一截止频率和第二截止频率分别对每一个测试者的脑电信号的有效数据进行带通滤波，获得每一个测试者的脑电信号的第一子频带信号和第二子频带信号；
S24、对每一个测试者的脑电信号的第一子频带信号、第二子频带信号进行滑窗处理得到每一个测试者的脑电信号对应的多个窗口数据，每一个窗口数据均包括第一子频带信号的数据和第二子频带信号的数据；
S25、将每一个测试者的脑电信号对应的多个窗口数据作为所述测试者的脑电信号的预处理数据，获得每一个测试者的脑电信号的预处理数据。
为了降低数据处理量，在步骤S21中，本实施例中在获得不同测试者的脑电信号后，对每一个测试者的脑电信号进行下采样，其中，初始采集的脑电信号的频率为1000Hz，通过下采样将脑电信号的频率采样至200Hz，从而降低了分析难度和复杂程度。这里，脑电信号的初始频率和下采样后的频率可以根据实际需要进行设定，本实施例中仅仅作为示例示出，并不做限定。
由于测试者在进行视听刺激的开始时刻不会立即发生情绪波动，每个测试者均需要在预定时长的视听刺激后才能发生情绪变化，即每个测试者的脑电信号中位于时间轴前段的信号不能够体现测试者的真实情绪，这里将每个测试者的脑电信号中位于时间轴前段的信号称为无效数据，在进行情绪识别的时候，需要先将脑电信号中的无效数据过滤掉，因此，在步骤S22中，需要对每一个测试者的脑电信号的采样数据进行带通滤波，以将脑电信号中的无效数据过滤掉，保留脑电信号中有利于进行情绪识别的有效数据，一方面提升了情绪识别的准确性，另一方面能够进一步降低分析难度和复杂程度。步骤S22中带通滤波采用的截止频率为0～75Hz，当然，在实际视听刺激过程中，对于不同类型的电影片段、不同的测试者，每个测试者的情绪波动开始时间均不相同，这里，0～75Hz是根据经验数据获得。
本实施例中的情绪识别模型的训练方法是基于频域分析的方法，频域是按照频率将原始的每个脑电信号分解为多个子频段，常见的子频段为δ频段(1～3Hz)、θ频段(4～7Hz)、α频段(8～13Hz)、β频段(14～30Hz)、γ频段(30～80Hz)五个频段，本实施例中选取θ频段和α频段作为子频段，这两个子频段的数据能够更好的对情绪进行识别，因此，在步骤S23中，采用第一截止频率和第二截止频率分别对每一个测试者的脑电信号的有效数据进行带通滤波，来获得每一个测试者的脑电信号的θ频段和α频段，即本实施例中的第一子频带信号为θ频段，第二子频带信号为α频段。
本实施例中的情绪识别模型是基于机器学习的方法来对情绪进行识别，在机器学习领域中，机器学习模型的精度会受到样本的数量和样本之间相关性的影响，样本数量越多且样本之间相关性越大，机器学习模型的精度就越高。因此，为了提升情绪识别的准确率，在步骤S24中，通过对每一个测试者的脑电信号的第一子频带信号、第二子频带信号进行滑窗处理，来获得每一个测试者的脑电信号对应的多个窗口数据，这里需要说明的是，本实施例在时间轴上同步对第一子频带信号和第二子频带信号进行滑窗处理，即一次滑窗处理得到的窗口数据中既包括第一子频带信号的数据又包括第二子频带信号的数据。具体地，本实施例中滑窗处理选用的滑窗在时间轴上的窗口长度为5s或者滑窗的长度设置为1000个采样点在时间轴上对应的长度，通过滑窗在时间轴上的移动来获取每一个测试者的脑电信号对应的多个窗口数据。
较佳地，每一个测试者的脑电信号对应的多个窗口数据中任意相邻两个窗口数据之间的重叠率为0，从而将每个测试者的脑电信号划分为不重复的脑电片段。
在获得每一个测试者的脑电信号对应的多个窗口数据后，将每一个测试者的脑电信号对应的多个窗口数据作为该测试者的脑电信号的预处理数据，获得每一个测试者的脑电信号的预处理数据。
参照图3，在步骤S3中，分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据，即为每一个测试者的脑电信号对应的多个窗口数据中的每一个窗口数据进行拓扑特征提取，具体为：
S31、对每一个测试者的脑电信号对应的多个窗口数据中的每一个窗口数据进行相空间重建，获得每一个测试者的脑电信号对应的多个窗口数据的点云数据；
S32、对每一个测试者的脑电信号对应的多个窗口数据的点云数据分别进行持续同调，获得每一个测试者的脑电信号对应的多个窗口数据的持续同调图；
S33、根据每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别提取每一个窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征；
S34、根据每一个测试者的脑电信号对应的多个窗口数据的拓扑特征获得每一个测试者的脑电信号的特征数据。
具体地，在步骤S31中，每一个窗口数据均为一维时间序列，相空间重建的目的是将一维时间序列映射为高维相空间中的点云，本实施例利用时间延迟嵌入的方法将每一个窗口数据映射为高维相空间中的点云，具体地，这里用Si,i∈[1,T]表示每一个测试者对应的多个窗口数据的一维时间序列，其中，T表示每一个测试者对应的多个窗口数据的个数，Si＝xi(n),n＝[1,M]，M表示每一个窗口数据包括的样本点的个数，以滑窗的长度设置为1000个采样点在时间轴上对应的长度为例，即每一个窗口数据包括1000个采样点，也就是，M＝128，通过下面公式将每一个测试者对应的多个窗口数据分别映射为高维相空间中的点云：
ki(a)＝[xi(a),xi(a+τ),......,xi(a+(d-1)τ)],a＝1,2,......,N
其中，ki(a)表示第i个窗口数据对应的点云中的任一相点，τ表示延迟时间，d表示嵌入维度，N表示点云中相点的个数，a+(d-1)τ≤M，那么，获得所有相点后，由所有相点组成点云，得到第i个窗口数据对应的点云数据为Hi＝{ki(1),ki(2),......,ki(N)}。本实施例中，以嵌入维度为8维，延迟时间为10s为例，得到的其中一个点云数据的示意图如图4所示，需要说明的是，由于高维空间上的点云无法观察，需要对点云数据降维后进行显示，图4中给出的是点云数据在三维空间中的示意图。
在步骤S32中，通过上面的方法便可以得到每一个测试者的脑电信号对应的多个窗口数据的点云数据，再对每一个测试者的脑电信号对应的多个窗口数据的点云数据分别进行持续同调，其中，持续同调主要包括同源性和持续性，同源性用于度量一个单纯复形的特定结构，持续性用于获得不同单纯复形的生存信息，这里单纯复形的生存时间指的是该单纯复形从出现到消失这个时间段，生存时间较长的即为有用特征，生存时间较短的即为噪声。本实施例中采用维托里斯-里普斯复形(Vietor is-Rips complex)算法来构造单纯复形，如图5所示，图5中横坐标表示p维孔洞出现的时间，纵坐标表示p维孔洞消失的时间，h0表示一维孔洞，h1表示二维孔洞。
在获得每一个测试者的脑电信号对应的多个窗口数据的持续同调图后，便可以根据每一个测试者的脑电信号对应的多个窗口数据的持续同调图来分别提取每一个窗口数据的拓扑特征，从而获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征。
参照图6，具体地，步骤S33包括以下步骤：
S331、通过高斯分布函数对每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别进行空间转换，获得每一个测试者的脑电信号对应的多个窗口数据在平面空间中的持续同调图；
S332、根据每一个测试者的脑电信号对应的多个窗口数据在平面空间中的持续同调图分别获得每一个测试者的脑电信号对应的多个窗口数据的持续性图像；
S333、将每一个测试者的脑电信号对应的多个窗口数据的持续性图像分别映射成单一维度的特征向量；
S334、将每一个窗口数据的特征向量作为所述窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征。
在步骤S331中，通过下面的式子对每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别进行空间转换：
Figure BDA0003227790520000091
其中，gμ(x,y)为每一个窗口数据在平面空间中的持续同调图，x、y分别表示每一个窗口数据中的点的横坐标、纵坐标，μx表示每一个窗口数据中的所有点的横坐标x的平均值，μy表示每一个窗口数据中的所有点的纵坐标y的平均值，σ为过滤参数。
在步骤S332中，先通过下面的式子根据每一个测试者的脑电信号对应的多个窗口数据在平面空间中的持续同调图分别获得每一个测试者的脑电信号对应的多个窗口数据的持续表面：
Figure BDA0003227790520000101
其中，ρB(z)为每一个窗口数据的持续表面，f为权重函数，(x,y)∈B，T为线性函数，该线性函数满足式子T(x,y)＝(x,y-x)。
然后，再通过下面的式子将每一个测试者的脑电信号对应的多个窗口数据的持续表面转换为持续性图像：
I(ρB)p＝∫∫pρBdydx
其中，I(ρB)p为每一个窗口数据的持续性图像，如图7所示。
在获得每一个测试者的脑电信号对应的多个窗口数据的持续性图像后，分别将每一个窗口数据的持续性图像映射成单一维度的特征向量，每一个特征向量中均包括θ频段和α频段的特征，再将每一个窗口数据的特征向量作为该窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征。
在对情绪识别模型进行训练的时候，将每一个测试者的脑电信号对应的多个窗口数据的拓扑特征作为每一个测试者的脑电信号的特征数据，从而分别获得不同测试者的脑电信号的特征数据，然后，在步骤S4中，从不同测试者的脑电信号的特征数据中选取一部分特征数据作为情绪识别模型的训练数据，剩下的一部分特征数据作为情绪识别模型的测试数据，利用测试数据来对训练后的情绪识别模型的性能进行测试。
较佳的，本实施例中随机从不同测试者的脑电信号的特征数据中选取30％的特征数据作为训练数据，剩下的70％特征数据作为测试数据。由于随机森林分类器能够有效地在大数据集上运行且能够处理具有高维特征的输入样本，不需要降维，简单且高效，因此，本实施例中情绪识别模型采用的是随机森林分类器。
参照图8，本实施例还提供了一种情绪识别模型的训练装置，该训练装置包括采集模块1、预处理模块2、特征提取模块3、选取模块4、训练模块5。
采集模块1用于采集不同测试者在不同情绪刺激下的脑电信号。预处理模块2用于分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据。特征提取模块3用于分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据。选取模块4用于从不同测试者的脑电信号的特征数据中选取一部分特征数据作为训练数据。训练模块5用于利用所述训练数据对情绪识别模型进行训练。
参照图9，本实施例中的预处理模块2具体包括下采样单元21、第一滤波单元22、第二滤波单元23、滑窗处理单元24以及获取单元25。下采样单元21用于对每一个测试者的脑电信号进行下采样，获得每一个测试者的脑电信号的采样数据。第一滤波单元22用于对每一个测试者的脑电信号的采样数据进行带通滤波，获得每一个测试者的脑电信号的有效数据。第二滤波单元23用于采用第一截止频率和第二截止频率分别对每一个测试者的脑电信号的有效数据进行带通滤波，获得每一个测试者的脑电信号的第一子频带信号和第二子频带信号。滑窗处理单元24用于对每一个测试者的脑电信号的第一子频带信号、第二子频带信号进行滑窗处理得到每一个测试者的脑电信号对应的多个窗口数据，每一个窗口数据均包括第一子频带信号的数据和第二子频带信号的数据。获取单元25用于将每一个测试者的脑电信号对应的多个窗口数据作为所述测试者的脑电信号的预处理数据，获得每一个测试者的脑电信号的预处理数据。
第一滤波单元22对每一个测试者的脑电信号的采样数据进行带通滤波所采用的截止频率为0～75Hz，第二滤波单元23对每一个测试者的脑电信号的有效数据进行带通滤波采用的第一截止频率、第二截止频率分别为4～7Hz、8～13Hz。
参照图10，本实施例中的特征提取模块3具体包括相空间重建单元31、持续同调单元32、拓扑特征提取单元33以及特征数据获取单元34。
相空间重建单元31用于对每一个测试者的脑电信号对应的多个窗口数据中的每一个窗口数据进行相空间重建，获得每一个测试者的脑电信号对应的多个窗口数据的点云数据。持续同调单元32用于对每一个测试者的脑电信号对应的多个窗口数据的点云数据分别进行持续同调，获得每一个测试者的脑电信号对应的多个窗口数据的持续同调图。拓扑特征提取单元33用于根据每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别提取每一个窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征。特征数据获取单元34用于根据每一个测试者的脑电信号对应的多个窗口数据的拓扑特征获得每一个测试者的脑电信号的特征数据。
拓扑特征提取单元33具体用于通过高斯分布函数对每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别进行空间转换，获得每一个测试者的脑电信号对应的多个窗口数据在平面空间中的持续同调图；再根据每一个测试者的脑电信号对应的多个窗口数据在平面空间中的持续同调图分别获得每一个测试者的脑电信号对应的多个窗口数据的持续性图像；然后将每一个测试者的脑电信号对应的多个窗口数据的持续性图像分别映射成单一维度的特征向量；最后将每一个窗口数据的特征向量作为所述窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征。
参照图11，本实施例提供了一种设备，包括存储器100、处理器200、网络接口202，存储器100上存储有计算机程序，处理器200执行计算机程序以实现本实施例中的情绪识别模型的训练方法。
存储器100可以包括高速随机存取存储器(Random Access Memory，RAM)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器200可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本实施例中的目标检测方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。处理器200也可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等，还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器100用于存储计算机程序，处理器200在接收到执行指令后，执行该计算机程序以实现本实施例中的情绪识别模型的训练方法。
本实施例还提供了一种计算机存储介质，计算机存储介质中存储有计算机程序，处理器200用于读取并执行计算机存储介质201中存储的计算机程序，以实现本实施例中的情绪识别模型的训练方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机存储介质中，或者从一个计算机存储介质向另一个计算机存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solidstate disk，SSD))等。
本发明实施例是参照根据本发明实施例的方法、装置、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。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (7)

1.一种情绪识别模型的训练方法，其特征在于，所述训练方法包括：
采集不同测试者在不同情绪刺激下的脑电信号；
分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据；
分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据；
从不同测试者的脑电信号的特征数据中选取一部分特征数据作为训练数据；
利用所述训练数据对情绪识别模型进行训练；
其中，分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据，包括：
对每一个测试者的脑电信号进行下采样，获得每一个测试者的脑电信号的采样数据；
对每一个测试者的脑电信号的采样数据进行带通滤波，获得每一个测试者的脑电信号的有效数据；
采用第一截止频率和第二截止频率分别对每一个测试者的脑电信号的有效数据进行带通滤波，获得每一个测试者的脑电信号的第一子频带信号和第二子频带信号；
对每一个测试者的脑电信号的第一子频带信号、第二子频带信号进行滑窗处理得到每一个测试者的脑电信号对应的多个窗口数据，每一个窗口数据均包括第一子频带信号的数据和第二子频带信号的数据；
将每一个测试者的脑电信号对应的多个窗口数据作为所述测试者的脑电信号的预处理数据，获得每一个测试者的脑电信号的预处理数据；
其中，分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据，包括：
对每一个测试者的脑电信号对应的多个窗口数据中的每一个窗口数据进行相空间重建，获得每一个测试者的脑电信号对应的多个窗口数据的点云数据；
对每一个测试者的脑电信号对应的多个窗口数据的点云数据分别进行持续同调，获得每一个测试者的脑电信号对应的多个窗口数据的持续同调图；
根据每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别提取每一个窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征；
根据每一个测试者的脑电信号对应的多个窗口数据的拓扑特征获得每一个测试者的脑电信号的特征数据；
其中，根据每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别提取每一个窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征，包括：
通过高斯分布函数对每一个测试者的脑电信号对应的多个窗口数据的持续同调图分别进行空间转换，获得每一个测试者的脑电信号对应的多个窗口数据在平面空间中的持续同调图；
根据每一个测试者的脑电信号对应的多个窗口数据在平面空间中的持续同调图分别获得每一个测试者的脑电信号对应的多个窗口数据的持续性图像；
将每一个测试者的脑电信号对应的多个窗口数据的持续性图像分别映射成单一维度的特征向量；
将每一个窗口数据的特征向量作为所述窗口数据的拓扑特征，获得每一个测试者的脑电信号对应的多个窗口数据的拓扑特征。
2.根据权利要求1所述的训练方法，其特征在于，每一个测试者的脑电信号对应的多个窗口数据中任意相邻两个窗口数据之间的重叠率为0。
3.根据权利要求1所述的训练方法，其特征在于，对每一个测试者的脑电信号的采样数据进行带通滤波所采用的截止频率为0~75Hz，所述第一截止频率为4~7Hz，所述第二截止频率为8~13Hz。
4.根据权利要求1~3任一项所述的训练方法，其特征在于，所述情绪识别模型为随机森林分类器。
5.一种情绪识别模型的训练装置，其特征在于，所述训练装置使用权利要求1至4任一项所述的训练方法训练得到情绪识别模型，其中，所述训练装置包括：
采集模块，用于采集不同测试者在不同情绪刺激下的脑电信号；
预处理模块，用于分别对不同测试者在不同情绪刺激下的脑电信号进行预处理，获得每一个测试者的脑电信号的预处理数据；
特征提取模块，用于分别对每一个测试者的脑电信号的预处理数据进行拓扑特征提取，获得每一个测试者的脑电信号的特征数据；
选取模块，用于从不同测试者的脑电信号的特征数据中选取一部分特征数据作为训练数据；
训练模块，用于利用所述训练数据对情绪识别模型进行训练。
6.一种设备，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计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1~4任一项所述的情绪识别模型的训练方法。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现如权利要求1~4任一项所述的情绪识别模型的训练方法。
CN202110976669.4A 2021-08-24 2021-08-24 情绪识别模型的训练方法、训练装置、设备及存储介质 Active CN115715677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110976669.4A CN115715677B (zh) 2021-08-24 2021-08-24 情绪识别模型的训练方法、训练装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110976669.4A CN115715677B (zh) 2021-08-24 2021-08-24 情绪识别模型的训练方法、训练装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115715677A CN115715677A (zh) 2023-02-28
CN115715677B true CN115715677B (zh) 2023-07-07

Family

ID=85253664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110976669.4A Active CN115715677B (zh) 2021-08-24 2021-08-24 情绪识别模型的训练方法、训练装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115715677B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109924990A (zh) * 2019-03-27 2019-06-25 兰州大学 一种基于emd算法的脑电信号抑郁症识别系统
CN112183477A (zh) * 2020-10-28 2021-01-05 太原师范学院 一种基于持续同调的脑电信号持续特征提取方法
CN112634214A (zh) * 2020-12-15 2021-04-09 太原理工大学 一种结合节点属性与多层次拓扑的脑网络分类方法
CN112690793A (zh) * 2020-12-28 2021-04-23 中国人民解放军战略支援部队信息工程大学 情绪脑电迁移模型训练方法、系统及情绪识别方法和设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7070255B2 (ja) * 2018-08-31 2022-05-18 富士通株式会社 異常判別プログラム、異常判別方法および異常判別装置
US11741391B2 (en) * 2019-09-19 2023-08-29 International Business Machines Corporation Quantum topological classification

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109924990A (zh) * 2019-03-27 2019-06-25 兰州大学 一种基于emd算法的脑电信号抑郁症识别系统
CN112183477A (zh) * 2020-10-28 2021-01-05 太原师范学院 一种基于持续同调的脑电信号持续特征提取方法
CN112634214A (zh) * 2020-12-15 2021-04-09 太原理工大学 一种结合节点属性与多层次拓扑的脑网络分类方法
CN112690793A (zh) * 2020-12-28 2021-04-23 中国人民解放军战略支援部队信息工程大学 情绪脑电迁移模型训练方法、系统及情绪识别方法和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Parameter investigation of topological data analysis for EEG signals;Fatih Altındis et al.;Biomedical SignalProcessingandControl;第第63卷卷;1-10 *
STATISTICAL PERSISTENT HOMOLOGY OF BRAIN SIGNALS;Yuan Wang et al.;ICASSP 2019-2019 IEEE International Conference on acoustics,Speech and Signal Processing;1-5 *

Also Published As

Publication number Publication date
CN115715677A (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
Hramov et al. Wavelets in neuroscience
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
Kontson et al. Your brain on art: emergent cortical dynamics during aesthetic experiences
Jyotishi et al. An LSTM-based model for person identification using ECG signal
Candra et al. Recognizing emotions from EEG subbands using wavelet analysis
Ashokkumar et al. Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection
Yang et al. Removal of electrooculogram artifacts from electroencephalogram using canonical correlation analysis with ensemble empirical mode decomposition
CN111184509A (zh) 一种基于传递熵的情绪诱导脑电信号分类方法
Xu et al. Emotion recognition using frontal EEG in VR affective scenes
Cong et al. Validating rationale of group-level component analysis based on estimating number of sources in EEG through model order selection
Caramia et al. Optimizing spatial filter pairs for EEG classification based on phase-synchronization
CN108836322B (zh) 一种裸眼3d显示视觉诱导晕动症检测方法
CN114492501A (zh) 基于改进smote算法的脑电信号样本扩充方法、介质及系统
Kauppi et al. Decoding magnetoencephalographic rhythmic activity using spectrospatial information
CN114190944A (zh) 基于脑电信号的鲁棒情绪识别方法
Mishra et al. Noise removal in EEG signals using SWT–ICA combinational approach
CN115414051A (zh) 一种脑电信号自适应窗口的情绪分类识别方法
CN113576498A (zh) 基于脑电信号的视听觉美学评价方法及系统
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
CN112450949A (zh) 一种用于认知康复训练的脑电信号处理方法及系统
CN115715677B (zh) 情绪识别模型的训练方法、训练装置、设备及存储介质
Saha et al. Automatic emotion recognition from multi-band EEG data based on a deep learning scheme with effective channel attention
Sutharsan et al. Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks
Yu et al. Encoding physiological signals as images for affective state recognition using convolutional neural networks
CN115998249A (zh) 脑电图中的伪影处理方法、装置、设备及存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue

Applicant after: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY

Applicant after: Shenzhen University of Technology (preparatory)

Address before: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue

Applicant before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY

Applicant before: Shenzhen University of technology Chinese Academy of Sciences (Preparatory)

GR01 Patent grant
GR01 Patent grant