[发明专利]一种基于二值胶囊网络的脑电情绪识别方法

说明书

本发明公开了一种基于二值胶囊网络的脑电信号情绪识别方法，其步骤包括：1，对于原始EEG数据进行去基线和片段分割的预处理；2，建立二值胶囊网络模型；3，在公开数据集上采用十折交叉方法训练建立的二值胶囊网络；4，利用建立好的模型实现情绪分类任务。本发明能实现高精度、高速度情绪识别，并提高识别准确率和效率。

技术领域

本发明涉及情感计算领域，具体的说是一种基于二值胶囊网络的脑电信号情绪识别方法。

背景技术

情绪在思维、行为、决策、社交等方面对人们有着很大的影响，情绪识别技术在生活中也得到了广泛的应用，已经成为了心理疾病的诊断和治疗、脑机接口等领域的一个研究热点。同时情绪识别也是人工智能领域的关键技术。人们获取情绪状态的方式主要有两种，一种是通过面部表情、行为、语气语调等来判断，令一种是通过心电、肌电、眼电、脑电等心理信号来判断，情绪是一种高级神经活动，与大脑皮层有着紧密联系，因此本文选用与大脑有最紧密关联的脑电信号来进行情绪识别。

基于EEG信号的情绪识别的传统机器学习算法大多分为两步，首先从EEG信号中提取特征，然后再将提取得到的特征用于训练分类器从而进行情绪识别。常用的脑电特征有时域特征，频域特征和时频特征等。除此之外，功率谱密度特征，小波特征和微分熵等特征也常用于脑电情绪识别。分类器有决策树、支持向量机、多层感知机等，分类效果都比较好。

近年来，深度学习网络成为各大领域的一个热点话题，在情感计算领域也不例外。深度学习网络能够自动的去提取准确的脑电特征，可以同时完成脑电信号的特征提取和分类。极大的节省了人力物力，获得的分类结果也更加准确。但是深度学习网络的计算复杂度很高并且有大量的参数，就需要很大的内存来存储参数，对硬件的需求也变得很高。

目前，大多数用于脑电情绪识别的深度学习网络都是采用卷积神经网络，然而卷积神经网络具有很高的计算复杂度，尤其是要从复杂的脑电信号中充分的提取特征需要的卷积核数量很大。同时，卷积神经网络中的池化层会破坏脑电信号局部区域之间的内在联系，这种内在联系对于脑电情绪识别来说是非常重要的因素。要把卷积神经网络训练到一个满意的识别准确率需要大量的带标签的数据，然而为大量的脑电信号打情绪标签是一件很繁琐的事，对人力物力是一个极大的消耗。

发明内容

本发明为克服现有技术的不足之处，提出一种基于二值胶囊网络的脑电情绪识别方法，以期能实现高精度、高速度情绪识别，并提高识别准确率和效率。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于二值胶囊网络的脑电信号情绪识别方法的特点是按如下步骤进行：

步骤1、获取任一受试者A的带有R种情绪标签的脑电信号数据并进行去基线和样本分割的预处理，从而得到受试者A的N个脑电信号样本，记为S＝{S₁,S₂,...,S_k,...,S_N}，其中，S_k表示受试者A的第k个脑电信号样本，k＝1,2,…,N；

步骤2、使用二值化函数对全精度的胶囊网络模型在前向传播过程中的浮点型参数进行二值化，得到二值胶囊网络模型；所述二值胶囊网络模型包含二值卷积层、二值初级胶囊层、二值情绪胶囊层和全精度线性层；且所述二值初级胶囊层和二值情绪胶囊层之间利用动态路由机制来连接；

步骤2.1、使用kaiming_uniform_初始化方法分别对所述二值胶囊网络模型的权重进行初始化；