[发明专利]一种基于分层机制构建多分类器融合模型的脑电情感识别方法

权利要求书

1.一种基于分层机制构建多分类器融合模型的脑电情感识别方法，其特征在于：该方法包括如下步骤，

(1)收集多导情感脑电数据，并对其进行分析处理，包括脑电预处理、特征提取及基于权值度量的通道选择，以构建情感脑电特征矩阵；

(2)将情感脑电特征矩阵按照电极位置进行通道划分，并针对每个通道执行最优化特征选择集成，构建多个单一情感分类模型；将情感脑电特征矩阵按照电极位置进行通道划分，并针对每个通道执行最优化特征选择集成，构建多个单一情感分类模型，具体步骤如下：

每个脑电通道上利用bootstrap采样方法产生S个训练子集{SubTr₁,SubTr₂,...,SubTr_S}；

对每个训练子集基于粒子群优化(PSO)算法选择最优情感脑电特征子集；

在每个训练子集的最优特征子集上利用SVM学习样本，以生成S个情感基分类模型{SVM₁,SVM₂,...,SVM_S}；

(3)以各分类模型在针对同一个情感识别问题时获得的差异性和精确度作为评估准则，选择每个通道的最优单一情感分类模型，得到待融合的分类器集；

(4)利用各个最优单一情感分类模型的分类误差作为权重，并基于加权投票法构建情感识别融合模型。

2.根据权利要求1所述的一种基于分层机制构建多分类器融合模型的脑电情感识别方法，其特征在于：步骤(1)的基于脑电分析处理构建情感脑电特征矩阵的方法，具体步骤包括：

将采集的多导情感脑电原始信号进行预处理，包括：重设参考电极即改变原参考电位、降采样即将原始采样频率从512Hz降至128Hz、滤波去噪即采用0.1Hz～50Hz的带通滤波、去伪迹干扰即利用独立分量分析去除眼电伪迹四个步骤；

对预处理后的每一导脑电数据以长2s、重叠1s的时间窗分割成T段，分别计算时域特征、统计特征、频域特征和非线性动力学特征，得到初始的情感脑电特征矩阵；

基于ReliefF方法计算各通道权值，利用权值大小来表征各通道对于情感识别的重要程度进而实现通道的选择，具体过程包括：

对提取的脑电特征值进行归一化，并初始化脑电特征权值w₀；

对每个样本x_i采用欧式距离度量寻找相同情感类别的k个近邻H_j和不同类别的k个近邻M_j(c)；

更新每一个特征f_L的权值w(f_L)；

重复上述步骤m次，m为总样本数，输出所有样本特征权值w；

将每个通道的所有特征权值的平均值作为该通道的权值W(T)；

将通道权值按照从大到小进行排序，选择D个权值较大的通道{Ch₁,Ch₂,...,Ch_D}；

按照“通道-特征-分割段”的方式进行排列，得到一个包括m行、D×q×T列的二维情感脑电特征矩阵，m为总的样本数，D为选择出来的通道数，q是每个通道下提取的各类特征的数量，T是每导脑电被分割的数量。

3.根据权利要求1所述的一种基于分层机制构建多分类器融合模型的脑电情感识别方法，其特征在于：步骤(3)的基于差异性和精确度的各通道最优基分类器选择方法，具体包括如下步骤：

用每个通道上生成的基分类器SVM_S识别测试样本，根据识别结果，计算出每个基分类器的识别准确率Acc_S；

根据分类器的识别率按从大到小排序，选择出识别效果最好的情感分类模型集

计算中各分类模型与其他通道分类模型之间的平均差异性Div_i；

计算各通道最优情感分类模型的选择评估准则Evaluation_i。

4.根据权利要求1所述的一种基于分层机制构建多分类器融合模型的脑电情感识别方法，其特征在于：步骤(4)所述的基于加权投票的脑电情感分类模型融合方法具体包括：

计算各通道最优情感分类模型的分类误差Error_t；

计算各通道最优情感分类模型的权重ω_t；

统计各情感类别的投票得分Score_y；

将得分最高的情感类别为最终的决策输出：Label＝argmax(Score_y)。