[发明专利]一种基于可学习邻接矩阵的脑电情绪识别系统

说明书

本发明公开了一种基于可学习邻接矩阵的脑电情绪识别系统，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；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；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。其优点在于：模型学习难度小，能够提高情绪识别效果。

技术领域

本发明涉及脑电情绪识别技术领域，具体地说是一种基于可学习邻接矩阵的脑电情绪识别系统。

背景技术

情感识别在人类的感知、推理、决策、社交和行为选择中起到关键作用。在构建更加友好和人性化的人机交互系统的时候，人类的情感因素应该被考虑进去，其中包括能感知、识别和理解人类情感的智能机器。实现这一目标的第一步是情绪识别，这是一种结合了生理学、神经科学和计算机科学的跨学科技术。

传统的情绪识别方法使用了面部表情、语言、物理动作来推断人的情绪。这些信号虽然容易采集，但是由于不同文化不同背景的人有不同的表达习惯，这些采集出来的数据难以用来真正识别情感。相比于其他生理信号，脑电信号可以提供更多深入、真实的情感信息。通过学习算法，提取脑电信号特征，可以实现多种情绪(诸如愉悦、悲伤、平静、愤怒、害怕、惊讶、生气等)的判别分析。因此，基于脑电信号的情感识别研究可用于辅助抑郁症、焦虑症等精神类疾病发病机制的研究和治疗。此外，在精神疾病康复治疗方面，基于脑机接口的神经反馈训练可在抑郁症、焦虑症等治疗中发挥积极作用。

基于脑电的情绪识别流程为：

1)用刺激来激发情绪。最近的研究都通过播放影片刺激。

2)脑电信号的记录和预处理。在刺激过程中，脑电信号会被采集并被打上对应的标签，通常被试者也会进行自检测试来确保被激发的情绪与影片刺激的目标情绪一致，预处理阶段通常包括了下采样，滤波器和人工去除噪声。

3)特征提取。通常情况下，脑电信号中存在许多的噪声信息，对于情绪识别存在极大的影响，为了得到一个更好的信噪比，特征提取是一个必须的步骤。

4)训练分类器。这一步应用了机器学习作为情绪分类器，通常使用的分类器为支持向量机和逻辑回归等。在近几年，深度学习也展现出了高于传统机器学习方法的优越性，但是需要耗费大量时间和大量训练数据以保持模型的性能。

发明内容

本发明之目的是弥补上述之不足，向社会公开模型学习难度小，能够提高情绪识别效果的一种基于可学习邻接矩阵的脑电情绪识别系统。

本发明的技术方案是这样实现的：

一种基于可学习邻接矩阵的脑电情绪识别系统，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；