申请/专利权人:安徽大学
申请日:2023-09-20
公开(公告)日:2023-12-08
公开(公告)号:CN117195153A
主分类号:G06F18/25
分类号:G06F18/25;G06F18/213;G06F18/214;G06N3/045;G06N3/0895;G06N3/09;G06F18/2411;G06F123/02
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.12.26#实质审查的生效;2023.12.08#公开
摘要:本发明公开了一种基于对比性学习的EEG‑EOG多模态情感识别方法,包括以下步骤:S1:设计实验范式;S2:采集受试者的EEG信号和EOG信号;S3:数据预处理;S4:对比学习:采用一个基编码器和投影模块来对齐同一被试者的EEG和EOG信号片段的小批量数据,并不断优化基编码器和投影模块的参数;S5:使用预训练后的基编码器从对齐的EEG和EOG信号表征中提取DE情感特征;S6:分类识别,得到情感识别的识别率。还公开了一种基于对比性学习的EEG‑EOG多模态情感识别系统。本发明基于对比性学习方法,预训练基编码器来对齐EEG和EOG信号,从而实现多模态信号的融合,提高情感识别的识别率。
主权项:1.一种基于对比性学习的EEG-EOG多模态情感识别方法,其特征在于,包括以下步骤:S1:设计实验范式:受试者观看影片并反馈情感状态标签,同时记录受试者的EEG和EOG信号;S2:数据采集:采集受试者在视听刺激模式下的EEG信号和EOG信号,将采集到的所有EEG和EOG数据从事件发生标定点到事件结束标定点截取有用的数据;S3:数据预处理:对步骤S2截取得到的EEG和EOG信号进行预处理,得到预处理后纯净的EEG和EOG信号;S4:对比性学习:处理经过预处理后的EEG和EOG信号,生成一个包含若干对EEG和EOG信号片段的小批量数据,采用一个基编码器和投影模块来对齐同一被试者的EEG和EOG信号片段的小批量数据,并不断优化基编码器和投影模块的参数;S5:特征提取:使用预训练后的基编码器对齐预处理后的EEG和EOG信号,再从对齐的EEG和EOG信号表征中提取DE情感特征,将提取的DE情感特征使用线性动力系统模型进行平滑处理;S6:分类识别:将平滑后的特征分别分为训练集和测试集,训练集及对应的情感状态标签放入SVM分类器中进行学习分类得到训练好的模型,利用该模型对测试集的情感状态标签进行预测,得到情感识别的识别率。
全文数据:
权利要求:
百度查询: 安徽大学 基于对比性学习的EEG-EOG多模态情感识别方法及其系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。