1.一种基于深度学习的脑电情绪识别方法,其特征在于,包括以下步骤:脑电信号处理:对脑电信号进行预处理,包括去除基线噪声、标准化、带通滤波及信号分割;
建立深度学习模型:所述深度学习模型依次包含自动编码器、动态图卷积神经网络、Transformer和分类器;
训练模型:利用交叉熵损失函数结合正则化训练所述深度学习模型;
输出情绪识别结果:基于训练好的模型对预处理后的脑电信号进行情绪识别并输出结果;
所述自动编码器包括编码器和解码器,编码器计算公式为:;
式中:为编码表示;为ReLU激活函数;为编码器的权重矩阵;为偏置矩阵;
解码器的计算公式为:
;
式中:为重建数据,即解码器的输出;为ReLU激活函数;为解码器的权重矩阵,为偏置矩阵;
所述动态图卷积神经网络通过动态生成邻接矩阵捕捉脑区连接的动态变化,其计算公式为:;
式中:为动态图卷积神经网络的输出;为tanh激活函数;为对称归一化拉普拉斯矩阵;为解码器的输出;为权重矩阵;
所述Transformer包括多头自注意力模块和前馈神经网络模块,用于提取脑电信号的长程时间依赖特征;
通过计算位置编码赋予模型时序感知能力:;
;
式中:表示偶数维度上的位置编码值;表示奇数维度上的位置编码值;表示数据点在时间序列中的位置;表示位置编码的维度;表示偶数维度;表示奇数维度;
然后将位置编码与输入数据相加,得到多头自注意力模块的输入:;
式中:为动态图卷积神经网络的输出;为多头自注意力模块的输入;
在多头自注意力模块中,基于位置编码后的输入,通过自注意力机制捕捉序列依赖关系,公式为:;
式中:为自注意力;为函数;为矩阵的列数;T为转置;分别为查询向量、键向量、值向量;
之后将每个头的自注意力拼接:
;
式中:表示多头自注意力;表示拼接;表示每个头的自注意力,表示注意力头的数量,其中分别表示第i个注意力头的线性变换矩阵;表示线性变换矩阵;
前馈神经网络由两层全连接层组成,公式如下:;
式中:为前馈神经网络;为输入;分别为两个全连接层的权重矩阵;分别为两个全连接层的偏置项;
多头自注意力和前馈神经网络两个模块均有一个相加与标准化层,计算公式为:;
式中:为相加与标准化层;为层标准化;表示子层;
经过Transformer的计算,得到Transformer的输出。
2.根据权利要求1所述的基于深度学习的脑电情绪识别方法,其特征在于,所述标准化处理的公式为:;
式中:为标准化后的脑电信号;为脑电信号,为均值,为标准差。
3.根据权利要求1所述的基于深度学习的脑电情绪识别方法,其特征在于,所述带通滤波保留4-45 Hz频率范围内的信号。
4.根据权利要求1所述的基于深度学习的脑电情绪识别方法,其特征在于,所述分类器为全连接层,其计算公式为:;
式中:为情绪识别结果;为ReLU激活函数;为权重矩阵;为偏置。
5.根据权利要求1所述的基于深度学习的脑电情绪识别方法,其特征在于,所述训练过程采用交叉熵损失函数:;
式中:为交叉熵损失函数;i表示类别;N为类别总数;表示情绪的真实标签;表示情绪识别的结果;是正则项,其中为正则项系数,为模型参数;
配合Adam优化器迭代更新参数。
6.根据权利要求5所述的基于深度学习的脑电情绪识别方法,其特征在于,所述训练参数设置为:学习率0.0001,正则项系数0.0008,批次大小32,最大训练轮次30。