1.基于情感脑电特征融合优化机制的身份识别方法,其特征是,包括:获取多个通道的情感脑电信号;
对情感脑电信号进行预处理;
对预处理后的情感脑电信号进行特征值提取;
利用粒子群优化算法对特征值特征模式进行分析,得到对于不同用户激活程度最大的情感脑电模块特征;
搭建基于注意力机制的RNN模型,利用粒子群优化算法的适应度函数进行迭代,以及,搭建孪生神经网络算法模型,利用损失函数筛选脑电频段特征;
将得到的脑电频段特征和所述情感脑电模块特征进行融合分段后,划分训练集和测试集;
将训练集分别输入到基于注意力机制的RNN模型以及孪生神经网络算法模型中进行训练;
将测试集输入训练后的基于注意力机制的RNN模型以及孪生神经网络算法模型中进行预测,得到预测结果;
基于预测结果判别出不同用户的身份;
所述粒子群优化算法中的速度更新公式为:其中,i=1,2,…,N,j=1,2,3,4,k为算法迭代次数,位置更新公式为:
定义粒子的适应度函数为:
其中,F为频带宽度,r是基于注意力机制的RNN分类模型错误识别的测试集样本数,R为测试集样本总数;
基于注意力机制的RNN模型中注意力机制的输出向量序列表示为:其中,c
e
其中,e
2.根据权利要求1所述的基于情感脑电特征融合优化机制的身份识别方法,其特征是,所述预处理包括滤波、降采样、去除工频干扰、提出伪影和重参考。
3.根据权利要求1所述的基于情感脑电特征融合优化机制的身份识别方法,其特征是,对预处理后的情感脑电信号进行特征值提取,包括:使用小波包分解对预处理后的情感脑电信号进行四层分解后,提取脑电信号的a波、β波、δ波、θ波、γ波这五个节律的能量熵作为特征值,小波包分解公式为:其中,f(t)表示初始信号,f
其中,E
其中,P
4.根据权利要求1所述的基于情感脑电特征融合优化机制的身份识别方法,其特征是,所述孪生神经网络算法模型中具体损失函数为:其中,L(W,(Y,X
5.根据权利要求1所述的基于情感脑电特征融合优化机制的身份识别方法,其特征是,获取多个通道的情感脑电信号,包括:采用国际脑电图学会标定的10-20电极导联定位标准,用双耳垂接法,记录导联FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6、FZ、CZ、PZ,其中参考电极选取M1、M2,采样频率为512HZ,各通道导联阻抗均小于5k,使用Neuroscan64设备采集脑电信号并进行放大和模数转换。
6.基于情感脑电特征融合优化机制的身份识别系统,其特征是,包括:信号获取模块:用于获取多个通道的情感脑电信号;
预处理模块:用于对情感脑电信号进行预处理;
特征识别模块:用于对预处理后的情感脑电信号进行特征值提取;
分析模块:用于利用粒子群优化算法对特征值特征模式进行分析,得到对于不同用户激活程度最大的情感脑电模块特征;
筛选模块:用于搭建基于注意力机制的RNN模型,利用粒子群优化算法的适应度函数进行迭代,以及,搭建孪生神经网络算法模型,利用损失函数筛选脑电频段特征;
划分模块:用于将得到的脑电频段特征和所述情感脑电模块特征进行融合分段后,划分训练集和测试集;
训练模块:用于将训练集分别输入到基于注意力机制的RNN模型以及孪生神经网络算法模型中进行训练;
预测模块:用于将测试集输入训练后的基于注意力机制的RNN模型以及孪生神经网络算法模型中进行预测,得到预测结果;
判别模块:用于基于预测结果判别出不同用户的身份;
所述粒子群优化算法中的速度更新公式为:其中,i=1,2,…,N,j=1,2,3,4,k为算法迭代次数,位置更新公式为:
定义粒子的适应度函数为:
其中,F为频带宽度,r是基于注意力机制的RNN分类模型错误识别的测试集样本数,R为测试集样本总数;
基于注意力机制的RNN模型中注意力机制的输出向量序列表示为:其中,c
e
其中,e
7.基于情感脑电特征融合优化机制的身份识别装置,其特征是,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~5任一项所述方法的步骤。
8.计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时实现权利要求1~5任一项所述方法的步骤。