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: 2025103360257
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: 计算;推算;计数
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:

1.一种融合脑电和眼电信号的连续动态情绪识别方法,其特征在于,所述融合脑电和眼电信号的连续动态情绪识别方法包括:获取目标受试者的脑电信号数据、眼电信号数据、大五人格分数及动态情绪标签;所述大五人格分数通过大五人格量表获取;所述动态情绪标签通过目标受试者根据愉悦度和唤醒度两个维度,每隔5秒对情绪状态进行1分至9分的评分;评分对应的类型分别为平静至开心、开心至平静、悲伤至平静、平静至悲伤、紧张至平静及平静至紧张;所述目标受试者包括飞行员和普通受试者;所述眼电信号数据包括水平眼电信号和垂直眼电信号;

对脑电信号数据和眼电信号数据分别进行预处理,得到预处理后的脑电信号数据和预处理后的眼电信号数据;

根据预处理后的脑电信号数据,提取微分熵特征;并根据微分熵特征和大五人格分数将目标受试者分为飞行员和普通受试者;

根据飞行员的预处理后的脑电信号数据和预处理后的眼电信号数据以及普通受试者的预处理后的脑电信号数据和预处理后的眼电信号数据,分别采用连续动态情绪识别模型进行情绪识别;所述连续动态情绪识别模型包括:卷积模块、双向交叉注意力机制融合网络、Transformer模块以及全连接层;所述卷积模块用于采用时空卷积技术和SE注意力机制网络模块对预处理后的脑电信号数据以及预处理后的眼电信号数据,提取脑电信号特征和眼电信号特征;所述双向交叉注意力机制融合网络用于将所述脑电信号特征和所述眼电信号特征进行特征融合,得到多模态特征;所述Transformer模块用于提取多模态特征在情绪变化过程中的时序特征;所述全连接层用于根据时序特征进行连续动态情绪识别。

2.根据权利要求1所述的融合脑电和眼电信号的连续动态情绪识别方法,其特征在于,所述对脑电信号数据和眼电信号数据分别进行预处理,得到预处理后的脑电信号数据和预处理后的眼电信号数据,具体包括:对脑电信号数据依次进行滤波处理、伪迹去除处理以及重采样处理,得到预处理后的脑电信号数据;

对眼电信号数据依次进行滤波处理和重采样处理,得到预处理后的眼电信号数据。

3.根据权利要求1所述的融合脑电和眼电信号的连续动态情绪识别方法,其特征在于,所述根据预处理后的脑电信号数据,提取微分熵特征,具体包括:利用公式确定微分熵特征;

其中,为所述脑电信号数据的微分熵特征,为采样总数,为脑电信号数据在第n个采样点的数值,为脑电信号数据在第n+1个采样点的数值。

4.根据权利要求1或权利要求3所述的融合脑电和眼电信号的连续动态情绪识别方法,其特征在于,所述微分熵特征的频段包括:1Hz~3Hz频段、4Hz~7Hz频段、8Hz~13Hz频段、14Hz~30Hz频段及31Hz~50Hz频段。

5.根据权利要求1所述的融合脑电和眼电信号的连续动态情绪识别方法,其特征在于,所述并根据微分熵特征和大五人格分数将目标受试者分为飞行员和普通受试者,之前还包括:对微分熵特征和大五人格分数进行标准化处理。

6.根据权利要求1所述的融合脑电和眼电信号的连续动态情绪识别方法,其特征在于,所述卷积模块包括:第一层卷积、第二层卷积、第三层卷积、第四层卷积、第一层卷积和第二层卷积之间的批处理归一化层、第二层卷积和第三层卷积之间的批归一化层、第三层卷积之后的dropout层以及第三层卷积和第四层卷积之间的SE注意力机制网络模块;

所述第一层卷积采用1D卷积去除噪声,并提取特征;

所述第一层卷积中排除激活函数;第二层卷积包括空间卷积层;第三层卷积包括平均池化层;SE注意力机制网络模块通过自适应学习通道间的权重;第四层卷积采用高级特征融合层。

7.一种融合脑电和眼电信号的连续动态情绪识别系统,其特征在于,所述融合脑电和眼电信号的连续动态情绪识别系统包括:数据获取模块,用于获取目标受试者的脑电信号数据、眼电信号数据、大五人格分数及动态情绪标签;所述大五人格分数通过大五人格量表获取;所述动态情绪标签通过目标受试者根据愉悦度和唤醒度两个维度,每隔5秒对情绪状态进行1分至9分的评分;评分对应的类型分别为平静至开心、开心至平静、悲伤至平静、平静至悲伤、紧张至平静及平静至紧张;所述目标受试者包括飞行员和普通受试者;所述眼电信号数据包括水平眼电信号和垂直眼电信号;

预处理模块,用于对脑电信号数据和眼电信号数据分别进行预处理,得到预处理后的脑电信号数据和预处理后的眼电信号数据;

受试者划分模块,用于根据预处理后的脑电信号数据,提取微分熵特征;并根据微分熵特征和大五人格分数将目标受试者分为飞行员和普通受试者;

情绪识别模块,用于根据飞行员的预处理后的脑电信号数据和预处理后的眼电信号数据以及普通受试者的预处理后的脑电信号数据和预处理后的眼电信号数据,分别采用连续动态情绪识别模型进行情绪识别;所述连续动态情绪识别模型包括:卷积模块、双向交叉注意力机制融合网络、Transformer模块以及全连接层;所述卷积模块用于采用时空卷积技术和SE注意力机制网络模块对预处理后的脑电信号数据以及预处理后的眼电信号数据,提取脑电信号特征和眼电信号特征;所述双向交叉注意力机制融合网络用于将所述脑电信号特征和所述眼电信号特征进行特征融合,得到多模态特征;所述Transformer模块用于提取多模态特征在情绪变化过程中的时序特征;所述全连接层用于根据时序特征进行连续动态情绪识别。