CN116671918A - 基于脑电信号的情绪识别方法和装置、电子设备及介质 - Google Patents

基于脑电信号的情绪识别方法和装置、电子设备及介质 Download PDF

Info

Publication number
CN116671918A
CN116671918A CN202310633265.4A CN202310633265A CN116671918A CN 116671918 A CN116671918 A CN 116671918A CN 202310633265 A CN202310633265 A CN 202310633265A CN 116671918 A CN116671918 A CN 116671918A
Authority
CN
China
Prior art keywords
electroencephalogram
target
feature
emotion
time domain
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
CN202310633265.4A
Other languages
English (en)
Inventor
张旭龙
王健宗
程宁
朱可欣
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310633265.4A priority Critical patent/CN116671918A/zh
Publication of CN116671918A publication Critical patent/CN116671918A/zh
Pending legal-status Critical Current

Links

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]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

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

Abstract

本申请实施例提供了一种基于脑电信号的情绪识别方法和装置、电子设备及介质，属于数字医疗技术领域。该方法包括：获取目标对象的目标脑电数据，目标脑电数据包括多个目标脑电信号；对目标脑电信号进行频域特征提取，得到微分熵特征；基于时域注意力网络对微分熵特征进行时域特征提取，得到脑电时域特征矩阵；基于通道注意力网络对脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵；基于图注意力网络对目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构；基于识别网络对脑电特征图结构进行情绪识别，得到表征情绪类别的目标情绪标签，目标情绪标签用于表征目标脑电数据的情绪类别。本申请实施例能够提高情绪识别的准确性。

Description

基于脑电信号的情绪识别方法和装置、电子设备及介质
技术领域
本申请涉及数字医疗技术领域，尤其涉及一种基于脑电信号的情绪识别方法和装置、电子设备及介质。
背景技术
情绪是人类复杂的一种生理反应，积极情绪有助于改善人体健康和工作效率，而消极情绪可能会导致健康问题。如今，情感识别在人机交互、远程教育、医疗保健等诸多科技领域得到了广泛的应用，受到了学术界的广泛关注。
在数字医疗场景中，患者的情绪状态常常会影响到智能问诊平台上的会诊机器人所推荐的治疗方案，在智能问诊过程中，智能问诊平台上的会诊机器人会采取基于生理信号的情绪识别，包括自主神经系统(ANS)信号和中枢神经系统(CNS)信号。ANS方法主要是通过心率、皮肤电导率、呼吸等来识别情绪，然而，这些研究缺乏合理的评价标准和准确性。CNS则主要利用脑电图(EEG)信号对情绪进行分类，该信号属于大脑活动的直接反应，具有良好的时间分辨率。
目前的情绪识别方法大多是基于卷积神经网络提取用户的脑电信号的局部空间特征，并依赖于提取到的局部空间特征进行情绪识别，这一方式往往会造成空间特征信息的缺失，存在着识别准确性不高的问题，因此，如何提高对情绪识别的准确性，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种基于脑电信号的情绪识别方法和装置、电子设备及介质，旨在提高情绪识别的准确性。
为实现上述目的，本申请实施例的第一方面提出了一种基于脑电信号的情绪识别方法，所述方法包括：
获取目标对象的目标脑电数据，其中，所述目标脑电数据包括多个目标脑电信号；
对所述目标脑电信号进行频域特征提取，得到微分熵特征；
将所述微分熵特征输入至预设的情绪识别模型中，所述情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络；
基于所述时域注意力网络对所述微分熵特征进行时域特征提取，得到脑电时域特征矩阵；
基于所述通道注意力网络对所述脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵；
基于所述图注意力网络对所述目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构；
基于所述识别网络对所述脑电特征图结构进行情绪识别，得到目标情绪标签，所述目标情绪标签用于表征所述目标脑电数据的情绪类别。
在一些实施例，所述基于所述时域注意力网络对所述微分熵特征进行局部信息提取，得到脑电时域特征矩阵，包括：
基于所述时域注意力网络的自注意力层对所述微分熵特征进行仿射变换，得到所述目标脑电数据的时域查询向量、时域值向量以及时域键向量；
基于所述时域注意力网络的第一函数对所述时域查询向量、时域值向量以及时域键向量进行权重配置，得到时域权重数据；
基于所述时域权重数据对所述时域查询向量、所述时域值向量以及所述时域键向量进行加权求和，得到所述脑电时域特征矩阵。
在一些实施例，所述基于所述通道注意力网络对所述脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵，包括：
基于所述通道注意力网络的Bi-LSTM层对所述脑电时域特征矩阵进行通道上下文提取，得到脑电通道特征矩阵；
获取所述脑电通道特征矩阵的空间位置数据；
基于所述空间位置数据对所述脑电通道特征矩阵进行通道分组，得到多个脑电通道组，其中，每一脑电通道组包括多个所述脑电通道特征矩阵；
基于所述通道注意力网络的通道注意力层对每一所述脑电通道组进行通道注意力计算，得到每一脑电通道组的通道注意力矩阵；
基于所述通道注意力矩阵，得到所述目标脑电特征矩阵。
在一些实施例，所述图注意力网络包括嵌入层和图注意力层，所述基于所述图注意力网络对所述目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构，包括：
基于所述嵌入层对所述目标脑电特征矩阵进行图嵌入，得到脑电嵌入特征；
基于所述图注意力层对所述脑电嵌入特征进行几何特征提取，得到所述脑电结构特征矩阵；
基于所述脑电结构特征矩阵，构建所述脑电特征图结构。
在一些实施例，所述识别网络包括池化层和分类器，所述基于所述识别网络对所述脑电特征图结构进行情绪识别，得到目标情绪标签，包括：
基于所述池化层对所述脑电特征图结构进行采样处理，得到目标特征图结构；
基于所述分类器对所述目标特征图结构进行情绪识别，得到所述目标情绪标签。
在一些实施例，所述基于所述分类器对所述目标特征图结构进行情绪识别，得到所述目标情绪标签，包括：
基于所述分类器和预设的候选情绪类别标签对所述目标特征图结构进行情绪评分，得到所述目标脑电数据在候选情绪类别标签上的情绪分值；
从所述情绪分值筛选出最大的情绪分值作为目标分值；
根据所述目标分值从所述候选情绪类别标签筛选出所述目标情绪标签。
在一些实施例，所述对所述目标脑电信号进行频域特征提取，得到微分熵特征，包括：
对所述目标脑电数据进行分帧处理，得到目标脑电信号帧；
对所述目标脑电信号帧进行短时傅里叶变换，得到所述微分熵特征。
为实现上述目的，本申请实施例的第二方面提出了一种基于脑电信号的情绪识别装置，所述装置包括：
脑电数据获取模块，用于获取目标对象的目标脑电数据，其中，所述目标脑电数据包括多个目标脑电信号；
信号特征提取模块，用于对所述目标脑电信号进行频域特征提取，得到微分熵特征；
特征输入模块，用于将所述微分熵特征输入至预设的情绪识别模型中，所述情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络；
时域特征提取模块，用于基于所述时域注意力网络对所述微分熵特征进行时域特征提取，得到脑电时域特征矩阵；
空间特征提取模块，用于基于所述通道注意力网络对所述脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵；
图结构生成模块，用于基于所述图注意力网络对所述目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构；
情绪识别模块，用于基于所述识别网络对所述脑电特征图结构进行情绪识别，得到目标情绪标签，所述目标情绪标签用于表征所述目标脑电数据的情绪类别。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读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上述第一方面所述的方法。
本申请提出的基于脑电信号的情绪识别方法、基于脑电信号的情绪识别装置、电子设备及存储介质，其通过获取目标对象的目标脑电数据，其中，目标脑电数据包括多个目标脑电信号；对目标脑电信号进行频域特征提取，得到微分熵特征，能够利用包含较高质量的脑电特征信息的微分熵特征来进行情绪识别。进一步地，将微分熵特征输入至预设的情绪识别模型中，情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络；基于时域注意力网络对微分熵特征进行时域特征提取，得到脑电时域特征矩阵；基于通道注意力网络对脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵，并基于图注意力网络对目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构，能够较为方便地提取目标脑电信号在时域和空间域的特征，得到同时包含时间信息和空间信息的脑电特征图结构。同时，在该特征提取过程中引入了时域注意力、通道注意力以及图注意力等多种注意力机制，能够较好地提取到目标脑电信号中重要程度更高的特征信息来进行情绪识别，减小不相关的冗余信息对情绪识别过程造成的干扰。最后，基于识别网络对脑电特征图结构进行情绪识别，得到目标情绪标签，采用目标情绪标签表征目标脑电数据的情绪类别，能够较为方便地确定目标对象的目标脑电数据表征的情绪类别，提高了情绪识别的准确性，进而使得智能问诊平台上的会诊机器人根据对象的情绪状态推荐更为合适的治疗方案，能有效地提高智能问诊的准确性和灵活性，也能有效地推动医疗云技术的快速发展。
附图说明
图1是本申请实施例提供的基于脑电信号的情绪识别方法的流程图；
图2是图1中的步骤S102的流程图；
图3是图1中的步骤S104的流程图；
图4是图1中的步骤S105的流程图；
图5是图1中的步骤S106的流程图；
图6是图1中的步骤S107的流程图；
图7是图6中的步骤S602的流程图；
图8是本申请实施例提供的基于脑电信号的情绪识别装置的结构示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
傅里叶变换：表示能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。在不同的研究领域，傅立叶变换具有多种不同的变体形式，如连续傅立叶变换和离散傅立叶变换。
Softmax函数：Softmax函数是归一化指数函数。
情绪是人类复杂的一种生理反应，积极情绪有助于改善人体健康和工作效率，而消极情绪可能会导致健康问题。如今，情感识别在人机交互、远程教育、医疗保健等诸多科技领域得到了广泛的应用，受到了学术界的广泛关注。
在数字医疗场景中，患者的情绪状态常常会影响到智能问诊平台上的会诊机器人所推荐的治疗方案，在智能问诊过程中，智能问诊平台上的会诊机器人会采取基于生理信号的情绪识别，包括自主神经系统(ANS)信号和中枢神经系统(CNS)信号。ANS方法主要是通过心率、皮肤电导率、呼吸等来识别情绪，然而，这些研究缺乏合理的评价标准和准确性。CNS则主要利用脑电图(EEG)信号对情绪进行分类，该信号属于大脑活动的直接反应，具有良好的时间分辨率。
目前的情绪识别方法大多是基于卷积神经网络提取用户的脑电信号的局部空间特征，并依赖于提取到的局部空间特征进行情绪识别，这一方式往往会造成空间特征信息的缺失，存在着识别准确性不高的问题，因此，如何提高对情绪识别的准确性，成为了亟待解决的技术问题。
基于此，本申请实施例提供了一种基于脑电信号的情绪识别方法、基于脑电信号的情绪识别装置、电子设备及存储介质，旨在提高情绪识别的准确性。
本申请实施例提供的基于脑电信号的情绪识别方法、基于脑电信号的情绪识别装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的情绪识别方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的基于脑电信号的情绪识别方法，涉及人工智能技术领域。本申请实施例提供的基于脑电信号的情绪识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现基于脑电信号的情绪识别方法的应用等，但并不局限于以上形式。
医疗云(Medical cloud)，是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的基于脑电信号的情绪识别方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S107。
步骤S101，获取目标对象的目标脑电数据，其中，目标脑电数据包括多个目标脑电信号；
步骤S102，对目标脑电信号进行频域特征提取，得到微分熵特征；
步骤S103，将微分熵特征输入至预设的情绪识别模型中，情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络；
步骤S104，基于时域注意力网络对微分熵特征进行时域特征提取，得到脑电时域特征矩阵；
步骤S105，基于通道注意力网络对脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵；
步骤S106，基于图注意力网络对目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构；
步骤S107，基于识别网络对脑电特征图结构进行情绪识别，得到目标情绪标签，目标情绪标签用于表征目标脑电数据的情绪类别。
本申请实施例所示意的步骤S101至步骤S107，通过获取目标对象的目标脑电数据，其中，目标脑电数据包括多个目标脑电信号；对目标脑电信号进行频域特征提取，得到微分熵特征，能够利用包含较高质量的脑电特征信息的微分熵特征来进行情绪识别。进一步地，将微分熵特征输入至预设的情绪识别模型中，情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络；基于时域注意力网络对微分熵特征进行时域特征提取，得到脑电时域特征矩阵；基于通道注意力网络对脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵，并基于图注意力网络对目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构，能够较为方便地提取目标脑电信号在时域和空间域的特征，得到同时包含时间信息和空间信息的脑电特征图结构。同时，在该特征提取过程中引入了时域注意力、通道注意力以及图注意力等多种注意力机制，能够较好地提取到目标脑电信号中重要程度更高的特征信息来进行情绪识别，减小不相关的冗余信息对情绪识别过程造成的干扰。最后，基于识别网络对脑电特征图结构进行情绪识别，得到目标情绪标签，采用目标情绪标签表征目标脑电数据的情绪类别，能够较为方便地确定目标对象的目标脑电数据表征的情绪类别，提高了情绪识别的准确性。
在一些实施例的步骤S101中，可以从预设的数据库中提取目标对象的目标脑电数据，也可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到目标对象的目标脑电数据，其中，数据源可以是各种类型的网络平台、常用的脑电信号情绪识别数据集(例如SEED数据集)等。在数字医疗场景下，目标对象可以是患者等等；在推荐或者其他交互服务领域，目标对象可以是消费者、网络用户等等，不做限制。目标脑电数据包含多个脑电通道的脑电信号，即目标脑电数据包括多个目标脑电信号，不同的目标脑电信号包含有目标对象不同的生理特征信息，上述过程能够使得获取到的目标脑电数据更为丰富、更为全面，有利于提高情绪识别的准确性。
请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S202：
步骤S201，对目标脑电数据进行分帧处理，得到目标脑电信号帧；
步骤S202，对目标脑电信号帧进行短时傅里叶变换，得到微分熵特征。
在一些实施例的步骤S201中，在对目标脑电数据进行频域特征提取时，首先对每一目标脑电信号进行分帧加窗处理，根据每一脑电通道的目标脑电信号的信号时长，将该目标脑电信号拆分成一帧一帧的信号，得到多个目标脑电信号帧。
在一些实施例的步骤S202中，通过短时傅里叶变换对每一帧的目标脑电信号帧进行傅里叶变换，将目标脑电信号帧的时域特征转换为频域特征，得到每一目标脑电信号对应的微分熵特征，其中，该微分熵特征是目标脑电信号中能够较好地反映目标对象的情绪变化的脑电特征，微分熵特征是一个非线性特征。
通过上述的步骤S201至步骤S202能够较为方便地将目标脑电数据转换为频谱特征，使得能够通过微分熵特征来识别出目标对象的情绪类别，从而提高情绪识别的准确性。
在一些实施例的步骤S103中，可以利用预设的脚本程序将微分熵特征输入至预设的情绪识别模型中，该情绪识别模型可以基于多种注意力机制构建而成，该情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络，时域注意力网络主要用于提取输入脑电特征在跨通道的时域上的局部信息，得到脑电时域特征矩阵；通道注意力网络主要用于利用双向长短期记忆算法学习脑电时域特征矩阵中的高层特征表示，得到目标脑电特征矩阵；图注意力网络主要用于将目标脑电特征矩阵进行图嵌入构造，形成脑电特征图结构；识别网络主要用于利用预设的分类器对脑电特征图结构进行类型识别，确定该输入脑电特征对应的情绪类别。由于脑电信号具有三维的拓扑结构，基于情绪识别模型能够实现目标脑电数据的时域、空间域等多个维度的特征提取，能够捕捉到不同时刻的局部时间信息以及同一通道(即同一脑区内)和不同通道之间(即不同脑区之间)的空间信息，使得能够利用包含较为完善的时空信息的脑电特征进行情绪识别，提高了情绪识别的准确性。
请参阅图3，在一些实施例中，步骤S104可以包括但不限于包括步骤S301至步骤S303：
步骤S301，基于时域注意力网络的自注意力层对微分熵特征进行仿射变换，得到目标脑电数据的时域查询向量、时域值向量以及时域键向量；
步骤S302，基于时域注意力网络的第一函数对时域查询向量、时域值向量以及时域键向量进行权重配置，得到时域权重数据；
步骤S303，基于时域权重数据对时域查询向量、时域值向量以及时域键向量进行加权求和，得到脑电时域特征矩阵。
在一些实施例的步骤S301中，时域注意力网络包含多个自注意力层，基于时域注意力网络的一个自注意力层对一个微分熵特征进行仿射变换，对微分熵特征a分别乘上预设的仿射系数Wq1、Wk1、Wv1，分别得到微分熵特征a的时域查询向量Q1、时域值向量V1以及时域键向量K1，其中，时域查询向量Q1可以表示为Q1＝a·Wq1，时域值向量可以表示为V1＝a·Wv1，时域键向量可以表示为K1＝a·Wk1。
在一些实施例的步骤S302中，第一函数可以是余弦相似度函数、softmax函数或者其他概率函数，不做限制。以softmax函数为例，利用softmax函数对时域键向量K1的转置K1 T和时域查询向量Q1之间的点乘矩阵进行激活处理，得到时域权重数据，即时域权重数据可以表示为M＝softmax(A)，其中，A＝K1 T·Q1，其中，T表示对时域键向量进行转置运算。
在一些实施例的步骤S303中，对基于时域权重数据对时域查询向量、时域值向量以及时域键向量进行加权求和时，可以直接将时域权重数据与时域值向量进行点乘处理，得到某一目标脑电信号对应的脑电时域特征矩阵N，其中，脑电时域特征矩阵可以表示为N＝V1·M。
通过上述步骤S301至步骤S303能够实现对目标脑电数据的时域维度的特征信息进行提取，能够捕捉到目标脑电数据在不同时刻的局部时间信息，提高了脑电时域特征矩阵的特征丰富性。
请参阅图4，在一些实施例中，步骤S105可以包括但不限于包括步骤S401至步骤S405：
步骤S401，基于通道注意力网络的Bi-LSTM层对脑电时域特征矩阵进行通道上下文提取，得到脑电通道特征矩阵；
步骤S402，获取脑电通道特征矩阵的空间位置数据；
步骤S403，基于空间位置数据对脑电通道特征矩阵进行通道分组，得到多个脑电通道组，其中，每一脑电通道组包括多个脑电通道特征矩阵；
步骤S404，基于通道注意力网络的通道注意力层对每一脑电通道组进行通道注意力计算，得到每一脑电通道组的通道注意力矩阵；
步骤S405，基于通道注意力矩阵，得到目标脑电特征矩阵。
在一些实施例的步骤S401中，通道注意力网络包含多个Bi-LSTM层，一个Bi-LSTM层对一个脑电时域特征矩阵进行空间特征提取。在基于通道注意力网络的Bi-LSTM层对脑电时域特征矩阵进行通道上下文提取时，在某一Bi-LSTM层从时间维度对某一脑电时域特征矩阵进行正向编码，得到每一时刻的正向编码隐向量，再在该Bi-LSTM层从时间维度对该脑电时域特征矩阵进行反向编码，得到每一时刻的反向编码隐向量，对每一时刻的正向编码隐向量和反向编码隐向量进行向量拼接，得到每一时刻的通道编码向量，将所有时刻的通道编码向量汇总到一个矩阵，得到某一目标脑电信号(即某一脑电通道)对应的脑电通道特征矩阵。
在一些实施例的步骤S402中，可以利用预设的空间坐标系对所有脑电通道的脑电通道特征矩阵进行空间位置建模，得到每个脑电通道特征矩阵的空间位置数据，该空间位置数据包括每个脑电通道特征矩阵的坐标参数，从该空间位置数据中也可以清晰地确定出脑电通道之间的相邻位置关系等信息。
在一些实施例的步骤S403中，由于神经元对不同情绪刺激的反应在大脑皮层的不同区域会存在着一定的差异，因此，为了提高情绪识别的精度，可以在情绪识别过程中，将脑电通道划分为多个脑电通道组来进行脑电信号的空间特征提取。例如，可以基于空间位置数据中的脑电通道之间的相邻位置关系，将脑电通道特征矩阵进行通道分组，得到多个脑电通道组，其中，每个脑电通道组包含多个脑电通道特征矩阵。例如，在某一情绪识别场景下，存在有8个脑电通道，每一脑电通道有一个对应的脑电通道特征矩阵，根据实际需求，将8个脑电通道分为两组，则根据脑电通道的位置关系，将前4个脑电通道划分为一组，记为脑电通道组A，将后4个脑电通道划分为一组，记为脑电通道组B,其中，脑电通道组A包含前4个脑电通道对应的4个脑电通道特征矩阵，脑电通道组B包含后4个脑电通道对应的4个脑电通道特征矩阵。
需要说明的是，在对脑电通道特征矩阵进行通道分组时，每个脑电通道组的脑电通道以及脑电通道特征矩阵的数量可以相同，也可以不同，不做限制。
在一些实施例的步骤S404中，在基于通道注意力网络的通道注意力层对每一脑电通道组进行通道注意力计算时，首先对每一脑电通道组的所有脑电通道特征矩阵进行合并处理，得到每一脑电通道组的融合通道特征矩阵，再分别计算出每一融合通道特征矩阵P的通道键矩阵、通道值矩阵以及通道查询矩阵，通过softmax函数对通道键矩阵、通道值矩阵以及通道查询矩阵进行加权计算，得到每一脑电通道组的通道注意力矩阵，其中，通道键矩阵可以表示为K2＝P*Wk2，通道值矩阵可以表示为V2＝P*Wv2，通道查询矩阵可以表示为Q2＝P*Wq2，其中，P为融合通道特征矩阵，Wk2、Wv2、Wq2为预设参数。通道注意力矩阵Z可以表示如公式(1)所示，其中，d是融合通道特征矩阵的特征维度，T表示对通道键矩阵K2进行转置运算：
通过上述注意力计算的过程可以加强对融合通道特征矩阵中重要特征信息的映射，而减少对融合通道特征矩阵中次要特征信息的映射。
在一些实施例的步骤S405中，可以直接对所有的通道注意力矩阵进行矩阵合并，得到目标脑电特征矩阵，该目标脑电特征矩阵中包含了目标脑电数据在时域和空间域上的时空特征信息。
通过上述步骤S401至步骤S405能够实现目标脑电数据的空间域维度的特征提取，能够捕捉到目标脑电数据在同一通道(即同一脑区内)和不同通道之间(即不同脑区之间)的空间特征信息，并将目标脑电数据的空间特征信息用于情绪识别，能够有效地提高情绪识别的准确性。
请参阅图5，在一些实施例中，图注意力网络包括嵌入层和图注意力层，步骤S106可以包括但不限于包括步骤S501至步骤S503：
步骤S501，基于嵌入层对目标脑电特征矩阵进行图嵌入，得到脑电嵌入特征；
步骤S502，基于图注意力层对脑电嵌入特征进行几何特征提取，得到脑电结构特征矩阵；
步骤S503，基于脑电结构特征矩阵，构建脑电特征图结构。
在一些实施例的步骤S501中，首先可以基于嵌入层对目标脑电特征矩阵进行图嵌入处理，将仿射变换应用于目标脑电特征矩阵中每个脑电通道组的特征向量，再将经过仿射变换的目标脑电特征矩阵进行共享线性映射，将经过仿射变换的目标脑电特征矩阵映射至固定的几何空间，从而获取到目标脑电数据对应的图嵌入表示，得到脑电嵌入特征。
在一些实施例的步骤S502中，在基于图注意力层对脑电嵌入特征进行几何特征提取时，可以引入多头注意力机制的方式对脑电嵌入特征进行特征提取。具体地，采用多个注意力头进行共享注意力映射，利用每个注意力头对脑电嵌入特征进行注意力计算，得到注意力系数，并根据注意力系数的大小来确定不同的注意力头之间的脑电特征的重要性，基于不同的注意力系数对脑电嵌入特征中不同几何区域的脑电特征信息分配不同的特征权重，并根据特征权重对脑电嵌入特征进行特征重构，得到脑电结构特征矩阵。
需要说明的是，为了提高计算效率，可以在利用每个注意力头对脑电嵌入特征进行注意力计算，得到注意力系数时，采用并行计算的图注意力机制来实现，例如，利用K个独立的注意力算子以并行的方式计算注意力系数，其中，K是大于零的整数，从而节省计算时间，提高情绪识别的效率。
在一些实施例的步骤S503中，利用预设的格式转换工具等等将脑电结构特征矩阵由矩阵形式转换为图结构的形式，得到脑电特征图结构。其中，脑电特征图结构可以是二维图结构，也可以是三维图结构，脑电特征图结构中包含每个脑电通道的区域情绪表征信息。
通过上述步骤S501至步骤S503能够较为方便地将包含时空特征信息的目标脑电特征矩阵转换为图结构的形式，以脑电特征图结构来进行情绪识别，经过权重分配和特征重构操作之后，得到的脑电特征图结构含有目标脑电信号中与情绪内容相关度较高的脑电特征，不相关的冗余信息较少，能够较好地改善情绪识别的准确性。
请参阅图6，在一些实施例，识别网络包括池化层和分类器，步骤S107包括但不限于包括步骤S601至步骤S602：
步骤S601，基于池化层对脑电特征图结构进行采样处理，得到目标特征图结构；
步骤S602，基于分类器对目标特征图结构进行情绪识别，得到目标情绪标签。
在一些实施例的步骤S601中，在基于池化层对脑电特征图结构进行采样处理时，可以采用平均池化的方式，例如，提取脑电特征图结构中的每一脑电通道组的每个脑电通道的区域情绪表征特征，将每一脑电通道组的区域情绪表征特征进行求均值，得到每一脑电通道组的全局情绪表征特征，将所有全局情绪表征特征进行图结构化，得到目标特征图结构。
在一些实施例的步骤S602中，分类器可以是softmax分类器等等，不做限制。以softmax分类器为例，基于softmax分类器创建目标特征图结构在每一候选情绪类别标签上的概率分布，实现对目标特征图结构的情绪评分，将每一候选情绪类别标签的概率分布向量作为目标脑电数据在该候选情绪类别标签上的情绪分值。由于情绪分值的大小可以直接反映出目标脑电数据属于每一候选情绪类别标签的可能性，即情绪分值越大，目标脑电数据中的情绪特征更偏向于该情绪分值对应的候选情绪类别。因此，可以从情绪分值筛选出最大的情绪分值作为目标分值，并将目标分值对应的候选情绪类别标签作为目标情绪标签，该目标情绪标签能够表征目标对象的目标脑电数据所表征的情绪类别。
需要说明的是，候选情绪类别标签可以根据专家经验等进行设定，候选情绪类别标签可以包含有喜、怒、哀、乐等多种情绪类别，不做限制。
通过上述步骤S601至步骤S602能够清楚地根据目标对象的目标脑电数据来判断该目标对象的情绪类别，能够实现基于目标脑电数据对应的目标特征图结构来预测该目标脑电数据在每一个情绪标签上的概率分布大小，能够较好地提高对目标对象的情绪识别的准确性。
请参阅图7，在一些实施例中，步骤S602可以包括但不限于包括步骤S701至步骤S703：
步骤S701，基于分类器和预设的候选情绪类别标签对目标特征图结构进行情绪评分，得到目标脑电数据在候选情绪类别标签上的情绪分值；
步骤S702，从情绪分值筛选出最大的情绪分值作为目标分值；
步骤S703，根据目标分值从候选情绪类别标签筛选出目标情绪标签。
在一些实施例的步骤S701中，该分类器可以是softmax分类器等等，不做限制。以softmax分类器为例，基于softmax分类器创建目标特征图结构在每一候选情绪类别标签上的概率分布，实现对目标特征图结构的情绪评分，将每一候选情绪类别标签的概率分布向量作为目标脑电数据子啊该候选情绪类别标签上的情绪分值。
在一些实施例的步骤S702中，由于情绪分值的大小可以直接反映出目标脑电数据属于每一候选情绪类别标签的可能性，即情绪分值越大，目标脑电数据中的情绪特征更偏向于该情绪分值对应的候选情绪类别。因此，可以从情绪分值筛选出最大的情绪分值作为目标分值。
在一些实施例的步骤S703中，在确定目标分值之后，根据目标分值对候选情绪类别标签进行筛选，选取目标分值对应的候选情绪类别标签作为目标情绪标签，该目标情绪标签能够用于表征目标脑电数据的情绪类别。
通过上述步骤S701至步骤S703能够清楚地根据目标对象的目标脑电数据来判断该目标对象的情绪类别，能够实现基于目标脑电数据对应的目标特征图结构来预测该目标脑电数据在每一个情绪标签上的概率分布大小，以情绪分值来量化出目标脑电数据中表征的情绪信息属于每一候选情绪类别标签的可能性，能够较好地提高对情绪识别的准确性。
本申请实施例的基于脑电信号的情绪识别方法，其通过获取目标对象的目标脑电数据，其中，目标脑电数据包括多个目标脑电信号；对目标脑电信号进行频域特征提取，得到微分熵特征，能够利用包含较高质量的脑电特征信息的微分熵特征来进行情绪识别。进一步地，将微分熵特征输入至预设的情绪识别模型中，情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络；基于时域注意力网络对微分熵特征进行时域特征提取，得到脑电时域特征矩阵；基于通道注意力网络对脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵，并基于图注意力网络对目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构，能够较为方便地提取目标脑电信号在时域和空间域的特征，得到同时包含时间信息和空间信息的脑电特征图结构。同时，在该特征提取过程中引入了时域注意力、通道注意力以及图注意力等多种注意力机制，能够较好地提取到目标脑电信号中重要程度更高的特征信息来进行情绪识别，减小不相关的冗余信息对情绪识别过程造成的干扰。最后，基于识别网络对脑电特征图结构进行情绪识别，得到目标情绪标签，采用目标情绪标签表征目标脑电数据的情绪类别，能够较为方便地确定目标对象的目标脑电数据表征的情绪类别，提高了情绪识别的准确性，进而使得智能问诊平台上的会诊机器人根据对象的情绪状态推荐更为合适的治疗方案，能有效地提高智能问诊的准确性和灵活性，也能有效地推动医疗云技术的快速发展。
请参阅图8，本申请实施例还提供一种基于脑电信号的情绪识别装置，可以实现上述基于脑电信号的情绪识别方法，该装置包括：
脑电数据获取模块801，用于获取目标对象的目标脑电数据，其中，所述目标脑电数据包括多个目标脑电信号；
信号特征提取模块802，用于对目标脑电信号进行频域特征提取，得到微分熵特征；
特征输入模块803，用于将微分熵特征输入至预设的情绪识别模型中，情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络；
时域特征提取模块804，用于基于时域注意力网络对微分熵特征进行时域特征提取，得到脑电时域特征矩阵；
空间特征提取模块805，用于基于通道注意力网络对脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵；
图结构生成模块806，用于基于图注意力网络对目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构；
情绪识别模块807，用于基于识别网络对脑电特征图结构进行情绪识别，得到目标情绪标签，目标情绪标签用于表征目标脑电数据的情绪类别。
该基于脑电信号的情绪识别装置的具体实施方式与上述基于脑电信号的情绪识别方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述基于脑电信号的情绪识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的基于脑电信号的情绪识别方法；
输入/输出接口903，用于实现信息输入及输出；
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述基于脑电信号的情绪识别方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的基于脑电信号的情绪识别方法、基于脑电信号的情绪识别装置、电子设备及计算机可读存储介质，其通过获取目标对象的目标脑电数据，其中，目标脑电数据包括多个目标脑电信号；对目标脑电信号进行频域特征提取，得到微分熵特征，能够利用包含较高质量的脑电特征信息的微分熵特征来进行情绪识别。进一步地，将微分熵特征输入至预设的情绪识别模型中，情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络；基于时域注意力网络对微分熵特征进行时域特征提取，得到脑电时域特征矩阵；基于通道注意力网络对脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵，并基于图注意力网络对目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构，能够较为方便地提取目标脑电信号在时域和空间域的特征，得到同时包含时间信息和空间信息的脑电特征图结构。同时，在该特征提取过程中引入了时域注意力、通道注意力以及图注意力等多种注意力机制，能够较好地提取到目标脑电信号中重要程度更高的特征信息来进行情绪识别，减小不相关的冗余信息对情绪识别过程造成的干扰。最后，基于识别网络对脑电特征图结构进行情绪识别，得到目标情绪标签，采用目标情绪标签表征目标脑电数据的情绪类别，能够较为方便地确定目标对象的目标脑电数据表征的情绪类别，提高了情绪识别的准确性，进而使得智能问诊平台上的会诊机器人根据对象的情绪状态推荐更为合适的治疗方案，能有效地提高智能问诊的准确性和灵活性，也能有效地推动医疗云技术的快速发展。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上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，在本申请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。
集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种基于脑电信号的情绪识别方法，其特征在于，所述方法包括：
获取目标对象的目标脑电数据，其中，所述目标脑电数据包括多个目标脑电信号；
对所述目标脑电信号进行频域特征提取，得到微分熵特征；
将所述微分熵特征输入至预设的情绪识别模型中，所述情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络；
基于所述时域注意力网络对所述微分熵特征进行时域特征提取，得到脑电时域特征矩阵；
基于所述通道注意力网络对所述脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵；
基于所述图注意力网络对所述目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构；
基于所述识别网络对所述脑电特征图结构进行情绪识别，得到目标情绪标签，所述目标情绪标签用于表征所述目标脑电数据的情绪类别。
2.根据权利要求1所述的情绪识别方法，其特征在于，所述基于所述时域注意力网络对所述微分熵特征进行时域特征提取，得到脑电时域特征矩阵，包括：
基于所述时域注意力网络的自注意力层对所述微分熵特征进行仿射变换，得到所述目标脑电数据的时域查询向量、时域值向量以及时域键向量；
基于所述时域注意力网络的第一函数对所述时域查询向量、时域值向量以及时域键向量进行权重配置，得到时域权重数据；
基于所述时域权重数据对所述时域查询向量、所述时域值向量以及所述时域键向量进行加权求和，得到所述脑电时域特征矩阵。
3.根据权利要求1所述的情绪识别方法，其特征在于，所述基于所述通道注意力网络对所述脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵，包括：
基于所述通道注意力网络的Bi-LSTM层对所述脑电时域特征矩阵进行通道上下文提取，得到脑电通道特征矩阵；
获取所述脑电通道特征矩阵的空间位置数据；
基于所述空间位置数据对所述脑电通道特征矩阵进行通道分组，得到多个脑电通道组，其中，每一脑电通道组包括多个所述脑电通道特征矩阵；
基于所述通道注意力网络的通道注意力层对每一所述脑电通道组进行通道注意力计算，得到每一脑电通道组的通道注意力矩阵；
基于所述通道注意力矩阵，得到所述目标脑电特征矩阵。
4.根据权利要求1所述的情绪识别方法，其特征在于，所述图注意力网络包括嵌入层和图注意力层，所述基于所述图注意力网络对所述目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构，包括：
基于所述嵌入层对所述目标脑电特征矩阵进行图嵌入，得到脑电嵌入特征；
基于所述图注意力层对所述脑电嵌入特征进行几何特征提取，得到脑电结构特征矩阵；
基于所述脑电结构特征矩阵，构建所述脑电特征图结构。
5.根据权利要求1所述的情绪识别方法，其特征在于，所述识别网络包括池化层和分类器，所述基于所述识别网络对所述脑电特征图结构进行情绪识别，得到目标情绪标签，包括：
基于所述池化层对所述脑电特征图结构进行采样处理，得到目标特征图结构；
基于所述分类器对所述目标特征图结构进行情绪识别，得到所述目标情绪标签。
6.根据权利要求5所述的情绪识别方法，其特征在于，所述基于所述分类器对所述目标特征图结构进行情绪识别，得到所述目标情绪标签，包括：
基于所述分类器和预设的候选情绪类别标签对所述目标特征图结构进行情绪评分，得到所述目标脑电数据在候选情绪类别标签上的情绪分值；
从所述情绪分值筛选出最大的情绪分值作为目标分值；
根据所述目标分值从所述候选情绪类别标签筛选出所述目标情绪标签。
7.根据权利要求1至6任一项所述的情绪识别方法，其特征在于，所述对所述目标脑电信号进行频域特征提取，得到微分熵特征，包括：
对所述目标脑电数据进行分帧处理，得到目标脑电信号帧；
对所述目标脑电信号帧进行短时傅里叶变换，得到所述微分熵特征。
8.一种基于脑电信号的情绪识别装置，其特征在于，所述装置包括：
脑电数据获取模块，用于获取目标对象的目标脑电数据，其中，所述目标脑电数据包括多个目标脑电信号；
信号特征提取模块，用于对所述目标脑电信号进行频域特征提取，得到微分熵特征；
特征输入模块，用于将所述微分熵特征输入至预设的情绪识别模型中，所述情绪识别模型包括时域注意力网络、通道注意力网络、图注意力网络和识别网络；
时域特征提取模块，用于基于所述时域注意力网络对所述微分熵特征进行时域特征提取，得到脑电时域特征矩阵；
空间特征提取模块，用于基于所述通道注意力网络对所述脑电时域特征矩阵进行空间特征提取，得到目标脑电特征矩阵；
图结构生成模块，用于基于所述图注意力网络对所述目标脑电特征矩阵进行几何特征构建，得到脑电特征图结构；
情绪识别模块，用于基于所述识别网络对所述脑电特征图结构进行情绪识别，得到目标情绪标签，所述目标情绪标签用于表征所述目标脑电数据的情绪类别。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于脑电信号的情绪识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于脑电信号的情绪识别方法。
CN202310633265.4A 2023-05-31 2023-05-31 基于脑电信号的情绪识别方法和装置、电子设备及介质 Pending CN116671918A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310633265.4A CN116671918A (zh) 2023-05-31 2023-05-31 基于脑电信号的情绪识别方法和装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310633265.4A CN116671918A (zh) 2023-05-31 2023-05-31 基于脑电信号的情绪识别方法和装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN116671918A true CN116671918A (zh) 2023-09-01

Family

ID=87778503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310633265.4A Pending CN116671918A (zh) 2023-05-31 2023-05-31 基于脑电信号的情绪识别方法和装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116671918A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117204856A (zh) * 2023-10-07 2023-12-12 清华大学 基于脑电数据的驾驶员情绪状态检测方法和装置
CN117708682A (zh) * 2024-02-06 2024-03-15 吉林大学 脑电波智能采集分析系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117204856A (zh) * 2023-10-07 2023-12-12 清华大学 基于脑电数据的驾驶员情绪状态检测方法和装置
CN117708682A (zh) * 2024-02-06 2024-03-15 吉林大学 脑电波智能采集分析系统及方法
CN117708682B (zh) * 2024-02-06 2024-04-19 吉林大学 脑电波智能采集分析系统及方法

Similar Documents

Publication Publication Date Title
Gil et al. Emotions ontology for collaborative modelling and learning of emotional responses
CN116671918A (zh) 基于脑电信号的情绪识别方法和装置、电子设备及介质
Jia et al. Macro-to-micro transformation model for micro-expression recognition
WO2023165012A1 (zh) 问诊方法和装置、电子设备及存储介质
CN114519395B (zh) 模型的训练方法和装置、文本摘要生成方法和装置、设备
CN114240552A (zh) 基于深度聚类算法的产品推荐方法、装置、设备及介质
CN114897060B (zh) 样本分类模型的训练方法和装置、样本分类方法和装置
CN115828112A (zh) 一种故障事件的响应方法、装置、电子设备及存储介质
WO2023029501A1 (zh) 智能问诊方法、装置、电子设备及存储介质
CN114359810A (zh) 视频摘要生成方法、装置、电子设备及存储介质
CN115910319A (zh) 耳科问诊辅助方法、装置、电子设备及存储介质
CN116721454A (zh) 微表情识别方法和装置、电子设备及存储介质
CN114416962B (zh) 问题答案的预测方法、预测装置、电子设备、存储介质
CN114613493A (zh) 问诊对话模型的评估方法和装置、电子设备及存储介质
CN114613462A (zh) 医疗数据处理方法和装置、电子设备及存储介质
CN114519397A (zh) 基于对比学习的实体链接模型的训练方法、装置、设备
CN116702743A (zh) 文本相似度检测方法和装置、电子设备及存储介质
CN117992594A (zh) 基于生成式ai的用户陪伴方法、系统、设备及存储介质
CN117373591A (zh) 电子病历的疾病识别方法和装置、电子设备及存储介质
CN116956925A (zh) 电子病历命名实体识别方法和装置、电子设备及存储介质
Wang et al. Touch-text answer for human-robot interaction via supervised adversarial learning
CN115145980B (zh) 对话回复生成方法和装置、电子设备及存储介质
CN116469546A (zh) 基于注意力机制的疾病辅助识别方法和装置、设备及介质
CN116628207A (zh) 文本分类模型的训练方法和装置、电子设备及存储介质
CN116543798A (zh) 基于多分类器的情感识别方法和装置、电子设备、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