欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025103148511
申请人: 南昌航空大学
专利类型:发明专利
专利状态:已下证
专利领域: 医学或兽医学;卫生学
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于通道选择的脑电动态连续情绪识别方法,其特征在于,所述基于通道选择的脑电动态连续情绪识别方法包括:采集受试者在动态情境下的多通道脑电时序信号;

根据所述多通道脑电时序信号,采用EEG-Net及非支配排序遗传算法,确定最优通道组合;根据所述多通道脑电时序信号,采用EEG-Net及非支配排序遗传算法,确定最优通道组合,具体包括:根据所述多通道脑电时序信号确定初始种群;所述初始种群中的个体表示一种通道组合;针对第m次迭代,采用EEG-Net分别对第m次迭代时的种群中每个通道的脑电时序信号进行分类,确定每个通道的分类准确率和计算复杂度;m>0;第1次迭代时的种群为初始种群;根据每个通道的分类准确率和计算复杂度,对第m次迭代时的种群进行非支配排序,将第m次迭代时的种群中的个体划分为多个非支配前沿;计算每个非支配前沿中个体的拥挤度距离;根据每个非支配前沿中个体的拥挤度距离,确定第m+1次迭代时的种群,并进行第m+1次迭代,直至满足预设终止条件时,根据满足预设终止条件时的种群确定最优通道组合;为了进一步优化EEG-Net模型的性能并减少计算复杂度,采用非支配排序遗传算法II进行多目标通道筛选,通过NSGA-II确定一组在分类准确率和计算复杂度上表现良好的最优通道组合;

根据最优通道组合对应的脑电时序信号,采用预先训练好的情绪识别模型,确定受试者在动态情景下的连续动态情绪类别;通过构建双流网络结构,长期流特征提取网络通过特征编码确保输入序列能正确表达时序信息,再通过多头自注意力捕捉全局依赖关系,增强情绪识别模型对不同特征的关注能力,最后通过前馈神经网络进行非线性变换,生成高层次的特征表示,有效地捕捉了脑电时序信号的长期时间依赖性和全局特征;

其中,所述情绪识别模型包括短期流特征提取网络、长期流特征提取网络、注意力机制层和分类器;所述短期流特征提取网络用于采用时序卷积模块提取脑电时序信号的局部特征;所述长期流特征提取网络用于采用Transformer模块提取脑电时序信号的全局特征;所述注意力机制层用于对局部特征及全局特征进行融合,得到融合特征;所述分类器用于根据融合特征确定连续动态情绪类别。

2.根据权利要求1所述的基于通道选择的脑电动态连续情绪识别方法,其特征在于,所述EEG-Net包括依次连接的二维卷积层、深度卷积层、通道注意力层及可分离卷积层。

3.根据权利要求1所述的基于通道选择的脑电动态连续情绪识别方法,其特征在于,所述时序卷积模块包括因果卷积层、膨胀卷积层、残差连接、ReLU激活函数及标准化层;

所述因果卷积层的输入为脑电时序信号,通过因果卷积在时序数据上进行卷积操作,确保每个时间步的输出仅依赖于当前时间步和之前的输入,输出为短期情绪特征;

所述膨胀卷积层的输入为因果卷积层输出的短期情绪特征,通过膨胀卷积扩大卷积核的感受野,捕获长时间依赖的特征,输出为膨胀后的短期情绪特征;

所述残差连接的输入为因果卷积层输出的短期情绪特征及膨胀后的短期情绪特征,将因果卷积层输出的短期情绪特征与膨胀后的短期情绪特征进行相加,输出为经过残差连接后的特征;

所述ReLU激活函数的输入为残差连接后的特征,通过ReLU激活函数将残差连接后的特征中小于零的值置为零,大于零的值保持不变,输出为经过ReLU激活后的特征;

所述标准化层的输入为经过ReLU激活后的特征,通过标准化层对经过ReLU激活后的特征进行归一化处理,输出为局部特征。

4.根据权利要求1所述的基于通道选择的脑电动态连续情绪识别方法,其特征在于,所述Transformer模块包括依次连接的特征编码层、多头自注意力层和前馈神经网络;

所述长期流特征提取网络采用Transformer模块提取脑电时序信号的全局特征的过程包括:

通过所述特征编码层对所述脑电时序信号添加位置编码,得到编码后的脑电时序信号;

通过所述多头自注意力层提取编码后的脑电时序信号的全局关系,并生成多头注意力特征;

通过所述前馈神经网络对所述多头注意力特征进行变换,得到全局特征。

5.根据权利要求4所述的基于通道选择的脑电动态连续情绪识别方法,其特征在于,所述特征编码层采用以下公式对所述脑电时序信号添加位置编码:;

;

;

其中,为编码后的脑电时序信号,X为脑电时序信号,PE为位置编码,为时间步,为特征维度,为特征维度的索引,为第个时间步第2个特征维度的位置编码,为第个时间步第2+1个特征维度的位置编码。

6.根据权利要求1所述的基于通道选择的脑电动态连续情绪识别方法,其特征在于,所述连续动态情绪类别包括喜悦至平静、平静至喜悦、悲伤至平静、平静至悲伤、紧张至平静和平静至紧张。

7.根据权利要求1所述的基于通道选择的脑电动态连续情绪识别方法,其特征在于,所述基于通道选择的脑电动态连续情绪识别方法还包括:对所述多通道脑电时序信号依次进行滤波、伪迹去除及重采样处理。

8.一种基于通道选择的脑电动态连续情绪识别系统,应用于权利要求1-7任一项所述的基于通道选择的脑电动态连续情绪识别方法,其特征在于,所述基于通道选择的脑电动态连续情绪识别系统包括:信号采集单元,用于采集受试者在动态情境下的多通道脑电时序信号;

通道选择单元,用于根据所述多通道脑电时序信号,采用EEG-Net及非支配排序遗传算法,确定最优通道组合;根据所述多通道脑电时序信号,采用EEG-Net及非支配排序遗传算法,确定最优通道组合,具体包括:根据所述多通道脑电时序信号确定初始种群;所述初始种群中的个体表示一种通道组合;针对第m次迭代,采用EEG-Net分别对第m次迭代时的种群中每个通道的脑电时序信号进行分类,确定每个通道的分类准确率和计算复杂度;m>0;第1次迭代时的种群为初始种群;根据每个通道的分类准确率和计算复杂度,对第m次迭代时的种群进行非支配排序,将第m次迭代时的种群中的个体划分为多个非支配前沿;计算每个非支配前沿中个体的拥挤度距离;根据每个非支配前沿中个体的拥挤度距离,确定第m+1次迭代时的种群,并进行第m+1次迭代,直至满足预设终止条件时,根据满足预设终止条件时的种群确定最优通道组合;为了进一步优化EEG-Net模型的性能并减少计算复杂度,采用非支配排序遗传算法II进行多目标通道筛选,通过NSGA-II确定一组在分类准确率和计算复杂度上表现良好的最优通道组合;

情绪识别单元,用于根据最优通道组合对应的脑电时序信号,采用预先训练好的情绪识别模型,确定受试者在动态情景下的连续动态情绪类别;通过构建双流网络结构,长期流特征提取网络通过特征编码确保输入序列能正确表达时序信息,再通过多头自注意力捕捉全局依赖关系,增强情绪识别模型对不同特征的关注能力,最后通过前馈神经网络进行非线性变换,生成高层次的特征表示,有效地捕捉了脑电时序信号的长期时间依赖性和全局特征;

其中,所述情绪识别模型包括短期流特征提取网络、长期流特征提取网络、注意力机制层和分类器;所述短期流特征提取网络用于采用时序卷积模块提取脑电时序信号的局部特征;所述长期流特征提取网络用于采用Transformer模块提取脑电时序信号的全局特征;所述注意力机制层用于对局部特征及全局特征进行融合,得到融合特征;所述分类器用于根据融合特征确定连续动态情绪类别。

9.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的基于通道选择的脑电动态连续情绪识别方法。