1.一种深度卷积神经网络的脑电信号情感识别方法,其特征在于:其步骤是:步骤1:采集脑电信号;
步骤2:数据预处理:
首先对数据进行1000Hz采样,随后降采样到采样频率为200Hz,采用ICA方法去除眼电伪迹,并剔除脑电信号中由无效电极引起或局部损坏的部分,数字滤波器选用0.3-50Hz的带通滤波器;
步骤3:构建差分熵矩阵:
将预处理后的数据分割为1s信号片段,再采用256点的快速傅里叶变换对每个片段进行频域变换;频域变换后的片段包含脑电信号携带的频域信息;快速傅里叶变换的具体公式如下:其中,n表示脑电信号的时域离散点,k表示频域变换后的频率点,x(n)表示输入的脑电信号序列;
差分熵特征从频域中提出,包含情感在频域上的分布信息,相比原始脑电信号,差分熵矩阵更能表征情感信息,采用以下公式计算差分熵:其中,π与e均为常数,σ2为脑电信号的方差;
步骤4:训练深度卷积神经网络模型:
深层卷积神经网络模型由输入层L0、第一层卷积池化模块L1、第二层卷积池化模块L2、第三层卷积池化模块L3、全连接层L4和最终输出层共六层模块构成;
L0:该层为输入层,L0层的输入为步骤3中构建的差分熵矩阵训练集,输入矩阵用Pm,n表示,其中m表示导联数,1≤m≤Nelec,其中n表示频率点数,1≤n≤Nf,输入矩阵的大小为62*
200;用Xl,t,(m,n)表示第l层中第t个图的(m,n)位置的神经元的输出值,用σl,t,(m,n)表示第l层中第t个图的(m,n)位置的神经元的输入值,有Xl,t,(m,n)=f(σl,t,(m,n)) (3)其中,f为激活函数,模型的激活函数选用PReLU函数:其中,kji是服从均匀分布的随机值,在激活函数作用的同时还对数据进行了批归一化处理;
其中,Pm,n为L1层输入矩阵,即构建的差分熵矩阵,K1为卷积核的大小(K1=3),ω1,t,r代表第t个卷积核中第r个神经元与输入矩阵对应位置的连接权值,b1为L1层的偏置,为经过激活函数后的输出,X1,t,(m,n)为 再经过批归一化后的L1层的最终输出;
L2:
其中,X1,t,(m,n)为L2层输入矩阵,N2为卷积核的纵向大小,K2为卷积核的横向大小,ω2,t,(m,n)为L2层第t个卷积核中的(m,n)位置与X1,t,(m,n)对应位置的连接权值,b2为L2层的偏置;
L3:
其中,X2,t,(m,n)为L3层输入矩阵,N3为卷积核的纵向大小,K3为卷积核的横向大小,ω3,t,(m,n)为L3层第t个卷积核中的(m,n)位置与X2,t,(m,n)对应位置的连接权值;b3为L3层的偏置;
L4:
σ4,h=X3,t,(m,n)ω4,t,(m,n)+b4,m=1,...,50,n=1,...,4,h=1,...,200 (9)其中,m和n分别为矩阵X3,t,(m,n)的纵向维度和横向维度,m=1,...,50,n=1,...,4;σ4,h为L4层的输出矩阵,1≤h≤mn;ω4,t,(m,n)为L4层卷积核中的(m,n)位置与X3,t,(m,n)对应位置的连接权值;b4为L4层的偏置;
L5:
i i
其中,p(lk|fk(X ,θ))为softmax函数生成的条件概率,它表示在给定输入X的情况下,最终分类为lk类别的条件概率,情感类别包含快乐、悲伤、恐惧、平和四种,其标签记为1,2,
3,4;
在训练整个网络时,使用负对数似然性作为损失函数来估计分类损失,加快收敛速度,提高分类能力,其具体公式为:其中,p(lk|fk(Xi,θ))为上述softmax函数生成的条件概率;θ*为反向传播中在损失函数最小的情况下修正和优化后的各个超参数;
步骤5:测试集的情感分类:将差分熵矩阵测试集输入到步骤4训练的最优模型中,采用十折交叉验证法,实现模型对快乐、悲伤、恐惧、平和四种情感的分类,获的最终的分类准确率,其标签分别为1,2,3,4。