申请/专利权人：长江大学

申请日：2023-07-28

公开（公告）日：2024-03-15

公开（公告）号：CN116965817B

主分类号：A61B5/16

分类号：A61B5/16;G06F18/213;G06F18/2415;G06F18/2431;G06N3/0464;G06N3/045;G06N3/047;G06N3/048;G06N3/08;A61B5/369;A61B5/00;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.03.15#授权;2023.11.17#实质审查的生效;2023.10.31#公开

摘要：本发明公开了一种基于一维卷积网络和Transformer的情感识别的方法。包括以下步骤：S1、准备数据集：在脑电信号公共DEAP数据集上训练网络模型；S2、特征提取：将样本数据放入一维卷积网络中进行特征提取；S3、Transformer编码：将处理后的数据输入到Transformer编码器中进行编码；S4、SoftMax情感分类：将编码后的数据输入到MLP分类器中，使用SoftMax进行分类，训练模型检测能力，保存训练权重；S5、模型测试：用训练好的模型来检测测试者的EEG信号，分类测试者当前的情感状态。本发明采用基于一维卷积网络和Transformer的方法对EEG（原始脑电波）信号进行情感识别。

主权项：1.一种基于一维卷积网络和Transformer的EEG情感识别方法，其特征是包括以下步骤：S1、准备数据集：在脑电信号公共DEAP数据集上训练网络模型；S2、特征提取：将样本数据放入一维卷积网络中进行特征提取；S3、Transformer编码：将处理后的数据输入到Transformer编码器中进行编码；S4、SoftMax情感分类：将编码后的数据输入到MLP分类器中，使用SoftMax进行分类，训练模型检测能力，保存训练权重；S5、模型测试：用训练好的模型来检测测试者的EEG信号，分类测试者当前的情感状态；其中，步骤S2中的一维卷积网络操作如下公式所示： ConX,Wj＝X*WjX为输入序列，大小为C×D，C为数据采集的通道数，D是每个通道上的数据大小；Y为输出特征序列，大小为C×M×N；M为每个采样通道上的数据进行特征提取后的数据大小；N为一维卷积后的输出通道数；W为滤波器，大小为C×L，每一层中包含N个滤波器；L为滤波器长度；B为偏置项，大小为N×1；Con将输入数据X与N个滤波器W分别进行卷积，并加入偏置项B，求和输出最终的卷积结果；步骤S4中的分类模型包含4层，两层全连接层、激活函数和SoftMax层，根据人的情感分别设定积极、焦虑、平静、沮丧、安静、疲倦、沉睡和厌恶8种类别；步骤S4中还包括以下步骤：S41、展平：将得到数据展平为一个大小为1×15392的向量；S42、全连接层：输入到MLP的全连接层中，设置全连接层的大小为256，此时数据大小变为1×256；S43、激活函数：应用Relu激活函数，对全连接层的输出进行非线性变换，数据大小仍然为1×256；S44、全连接层：添加一个具有8个输出单元的全连接层，输出数据大小为1×8；S45、SoftMax层：将全连接层的输出应用SoftMax函数，将输出转换为表示8个情感类别概率的向量，输出数据大小仍然为1×8，表示一个样本对应的8个类别的概率分布；S46、最大概率对应的类别即为分类的情绪状态；步骤S5具体包括如下步骤：S51、采集测试者的32个通道的60sEEG信号进行下采样到128Hz，则每次实验采集的信号数据表示为E，大小为32×7680；S52、将样本数据E经过步骤S2的一维卷积、下采样进行特征提取，得到特征提取后的数据F，大小为32×480；S53、读取训练权重，将F输入到Transformer中进行前向传播计算，会通过网络的输入层，并在每一层中经过权重的加权和激活函数的处理，直到达到输出层，每个神经元的输入是前一层神经元的输出乘以相应的权重，并经过激活函数的处理，最终得到编码后的数据G，大小为32×481；S54、再将G输入到MLP中，通过SoftMax进行分类，得出G分别属于8种类别的概率，8种概率分别表示为积极、焦虑、平静、沮丧、安静、疲倦、沉睡和厌恶，其中概率值最大的类别即为模型判断的数据G的情感类别，原始数据E的情感类别S的可用类别概率为S＝{S1,S2,S3,S4,S5,S6,S7,S8}，最终得到的类别j如下公式所示： 其中，argmax表示选择使得条件概率最大的类别标签，即选择最高概率的类别作为预测结果，则原始信号E的类别即为Si对应的类别名。

全文数据：

权利要求：

百度查询： 长江大学 一种基于一维卷积网络和Transformer的EEG情感识别方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD