[发明专利]一种基于可学习邻接矩阵的脑电情绪识别系统

权利要求书

1.一种基于可学习邻接矩阵的脑电情绪识别系统，其特征是：包括以下步骤：

步骤一、数据的采集、处理和划分：将采集到的每秒的脑电信号转化为M×N的特征数据矩阵X∈R^M×N，其中M为脑电极的数量，N为频段的分段数量；数据划分，将一部分数据作为训练集，另一部分数据为验证集；

步骤二、邻接矩阵的构建：按照电极分布图构建初始的邻接矩阵A∈R^M×M，M为脑电极的数量，邻接矩阵A中，对于某一个电极i和其它任一电极j，当i和j相邻时，A_ij＝1；当i和j不相邻时，A_ij＝0；任意电极与自身的邻接关系为A_ii＝1；

步骤三、数据输入模型进行训练：将脑电数据输入训练模型中进行训练，在每一个批次中，首先计算每一个M×N的脑电特征矩阵的电极与电极之间的注意力关系矩阵Φ∈R^M×M，对于Φ上的任意一个元素，其计算公式为：

其中，x_i，x_j，x_k分别为特征X在i，j和k个电极上的特征向量，W∈R^N×N′为权重矩阵，a^T为长度为2N′的共享权重向量a∈R^2N′的转置，LeakyReLU为激活函数，exp为以e为底的指数函数，表示第i个电极的邻域电极的集合；同时，根据邻接矩阵A计算出对应的拉普拉斯矩阵L，其计算公式：

其中，I为大小为M×M的单位矩阵，D为大小为M×M的度矩阵；

获取到拉普拉斯矩阵之后，根据公式L＝(1-η)L+ηΦ更新拉普拉斯矩阵，其中η为模型训练过程中的超参数；再进行两层图卷积操作，输出的二维特征矩阵的大小分别为M×N₁和M×N₂，N₁、N₂为正整数，之后将图卷积之后的结果展成长度为Q的一维向量，Q＝M×N₂；再经过两层输出分别为128和分类种类数的全连接层后，输出最终的情绪；训练完成后，将模型集对应的参数保存；

步骤四、将待测样本输入模型，模型输出脑电信号对应的情绪。

2.根据权利要求1所述的一种基于可学习邻接矩阵的脑电情绪识别系统，其特征是：所述的步骤一中，数据的采集的具体过程为：受试者头戴脑电采集设备，观看能够引起不同的情绪的视频，观看视频时采集对应的脑电信号。

3.根据权利要求1所述的一种基于可学习邻接矩阵的脑电情绪识别系统，其特征是：所述的步骤一中，特征数据矩阵中，脑电极的数量为62，频段的分段数量为5。

4.根据权利要求3所述的一种基于可学习邻接矩阵的脑电情绪识别系统，其特征是：5个不同的频段分别为δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(13-30Hz)、γ(30-51Hz)。

5.根据权利要求1所述的一种基于可学习邻接矩阵的脑电情绪识别系统，其特征是：所述的步骤一中，数据的划分的具体过程中：按时间顺序采集5t个片段，前3t个片段作为训练集，后2t个片段作为验证集，t为正整数。

6.根据权利要求1所述的一种基于可学习邻接矩阵的脑电情绪识别系统，其特征是：η的取值范围为0.1-0.5。

7.根据权利要求1所述的一种基于可学习邻接矩阵的脑电情绪识别系统，其特征是：所述的步骤三中，获得输出的情绪后，计算分类损失，并计算邻接矩阵的梯度，反向更新邻接矩阵，更新邻接矩阵A的方式为：

其中，μ为模型训练中的超参数。

8.根据权利要求7所述的一种基于可学习邻接矩阵的脑电情绪识别系统，其特征是：μ的取值范围为10^-5-10^-3。