[发明专利]一种基于CNN的情绪脑电分类方法

权利要求书

1.一种基于CNN的情绪脑电分类方法，其特征在于，该方法具体包括以下步骤：

步骤1.建立以Russell为代表的情绪维度模型，对数据集中的评价指标labels按照要求的类别进行标签化处理；

步骤2.提取每次实验前3秒的基线数据，以选定的时间窗将其分段，相加再求平均，再将剩余的脑电数据也以选定的时间窗将其分段后减去处理后的基线数据，得到脑电数据的差异值，再进行数据归一化；对脑电数据的差异值提取与情绪识别最相关的3个频带，再计算这3个频带的皮尔逊系数，将其转换成32*32*3图片格式；

步骤3.对于每位受试者，以实验为单位，将每位受试者的数据转为实验次数*分段数*32*32*3，设置筛选后剩余数量，送入序列后向选择筛选出准确率最高的实验组合，由于经过筛选后，某些类别的情绪会减少，将筛选后的实验数据送入CWGAN-GP中通过带标签的生成式对抗网络，进行数据增强，生成指定标签的数据，以此补充数据，使各类别情绪数据达到平衡；

步骤4.将处理后的数据和标签按照设置的训练样本和测试样本的比例进行分配，以帧形式输入集成卷积神经网络对处理的样本进行分类测试；

将步骤3总共获得的数据以帧形式输入成卷积神经网络，具体为：针对每个实验的60段，将每3段即每3秒的样本组合成一个帧，帧与帧之间没有重复的样本，一个实验生成20帧，样本总数变为：实验次数*20*受试者人数，样本格式为：样本总数*3*32*32*3，将所有样本按设置的训练样本和测试样本的比例；每次同时输入3张图片至3个卷积神经网络，卷积神经网络的配置相同，将3个输出的结果求平均即为本次输入的最终结果；

所述的集成卷积神经网络为三个结构完全相同的卷积神经网络构成，每个卷积神经网络的结构为：

C1层是一个带RELU的卷积层，有32个滤波器，卷积核设置为3*3，步长为1*1；

S2层是一个平均池化层，大小为2*2，步长为2*2；

B3层是一个BN层；

C4层也是一个带RELU的卷积层，有64个滤波器，卷积核设置为3*3，步长为1*1；

S5层是一个平均池化层，大小为2*2，步长为2*2；

B6层是一个BN层；

C7层是一个带RELU的卷积层，有128个滤波器，卷积核设置为3*3，步长为1*1；

D8层是个全连接层，输出维数为128；

DO9层是个Dropout层,在训练过程中以0.5的概率随机的关掉部分神经元；

最终连接的Softmax层的输出维数为2。

2.根据权利要求1所述的一种基于CNN的情绪特征分类方法，其特征在于：所述步骤一中对数据集中的评价指标labels按照要求的类别进行标签化处理，具体为：在以Russell情绪维度模型为参考时，每个情绪状态放置在一个二维平面上，唤醒度和愉悦度构成坐标轴两维，效价表示主体对情绪的主观评价，在数轴上由消极情感到积极情绪；唤醒度表示主体对情绪产生感受的程度，在数轴上由平静向兴奋变化；两种维度的数值都从1-9变化，以数值的大小来表示情绪的程度；当选择情绪二分类时，以中位数5作为阈值将效价和唤醒度上的评价值划分，大于5标记为1，代表高效价HV或高唤醒HA；小于或等于5标记为0，代表低效价LV或低唤醒LA；当选择情绪四分类时，将HV,HA,LV,LA组合,生成HVHA,HVLA,LVHA,LVLA的四类标签。