基于多尺度色散熵分析的脑电情感识别方法及系统

1.本发明涉及脑电信息处理领域，尤其涉及一种基于多尺度色散熵分析的脑电情感识别方法及系统。


背景技术：

2.目前脑电情感特征提取主要是通过时域分析、频域分析和时频域分析等方法进行的。但由于脑电信号的随机性和非平稳性较强，时域、频域和时频域分析等分析方法均无法对脑电信号的信息进行全面地表征。时域分析忽略了脑电信号的频域信息，频域分析丢失了信号重要的相位特征，并且以上方法和时频域分析法均无法对脑电信号的随机性和非平稳性进行表征。致使提取的特征对脑电信号的表征不够全面，进而影响最终的情感识别结果。
3.近年来随着越来越多的信息熵特征提取方法在不同的生理和心理疾病研究中得到了成功应用，也提升了脑电情感识别研究领域的学者们对信息熵提取方法的关注度。越来越多的研究者将不同的信息熵应用到了脑电情感识别研究中。目前应用于脑电情感识别的主流的信息熵分析方法主要为样本熵和置换熵分析方法等，并且取得了一定的效果。但这些方法在用于特征提取时的耗时过长，对长度较短的时间序列信号的处理结果不可靠，且容易受到噪声干扰。这些方法对脑电信号所蕴含的情感信息的表征能力也需要进一步提升，进而提升脑电情感识别率。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于，解决现有技术中，提取出的特征对情感信息的表征能力不强，情感识别率不高；特征提取时的运算耗时过长，对长度较短的时间序列信号的处理结果不可靠，且容易受到噪声的干扰；对脑电信号所蕴含的情感信息的表征能力不足的技术问题。
6.为实现上述目的，本发明提供一种基于多尺度色散熵分析的脑电情感识别方法，包括：
7.s1：获取原始脑电信号，对所述原始脑电信号进行预处理，获得预处理后的脑电信号；所述预处理后的脑电信号包括：θ节律脑电信号、α节律脑电信号、β节律脑电信号和γ节律脑电信号；
8.s2：提取所述预处理后的脑电信号的多尺度色散熵；
9.s3：将所述多尺度色散熵输入训练好的轻量梯度提升树，获得情感分类。
10.优选地，步骤s1具体为：
11.s11：对所述原始脑电信号进行带通滤波，获得带通滤波后的脑电信号；
12.s12：对所述带通滤波后的脑电信号进行陷波滤波，获得陷波滤波后的脑电信号；
13.s13：通过独立成分分析法，去除所述陷波滤波后的脑电信号中的心电、眼电、肌电和运动伪迹，获得去除伪迹后的脑电信号；
14.s14：将所述去除伪迹后的脑电信号输入四阶巴特沃斯滤波器，获得所述预处理后的脑电信号。
15.优选地，步骤s2具体为：
16.s21：选取所述预处理后的脑电信号中的一种节律脑电信号，对所述节律脑电信号进行粗粒化处理，获得粗粒化后的节律脑电信号x
j
(j＝1,2,...,n)；其中，j表示节律脑电信号的时间序列，n表示节律脑电信号的时间长度；
17.s22：对所述粗粒化后的节律脑电信号x
j
进行映射，获得映射后的节律脑电信号y
c
，表示为：
[0018][0019]
其中，表示各时间序列对应的映射后的节律脑电信号，c表示映射类别数量；
[0020]
s23：通过所述映射后的节律脑电信号y
c
，构建具有时间延迟参数t和嵌入维数s的时间序列表示为：
[0021][0022]
其中，s表示为时间序列的元素个数；
[0023]
s24：获得所述时间序列对应的色散模式其中，
[0024]
s25：计算所述色散模式的潜在相对概率
[0025]
s26：根据香农熵理论，通过所述潜在相对概率计算获得该节律脑电信号的色散熵；
[0026]
s27：重复步骤s21
‑
s26共4次，获得所述多尺度色散熵，包括：θ节律脑电信号的色散熵、α节律脑电信号的色散熵、β节律脑电信号的色散熵和γ节律脑电信号的色散熵。
[0027]
优选地，步骤s21中所述粗粒化后的节律脑电信号x
j
的表达式如下：
[0028][0029]
其中，u
b
表示节律脑电信号，l表示节律脑电信号的长度，τ表示尺度因子。
[0030]
优选地，步骤s25中所述潜在相对概率的计算公式如下：
[0031][0032]
其中，#表示计算基数。
[0033]
优选地，步骤s26中所述节律脑电信号的色散熵的计算公式如下：
[0034]
[0035]
其中，c
s
表示每个时间序列的可能的色散模式的数量，u表示节律脑电信号。
[0036]
优选地，步骤s3中所述训练好的轻量梯度提升树的训练过程为：
[0037]
s31：获取轻量梯度提升树，将训练数据输入所述轻量梯度提升树；
[0038]
s32：将所述轻量梯度提升树中决策树的层生长策略优化为叶子生长策略；
[0039]
s33：通过直方图算法降低所述轻量梯度提升树运算时的存储空间消耗；
[0040]
s34：通过单边梯度采样算法和互斥捆绑算法降低所述轻量梯度提升树运算时的数据运算量；
[0041]
s35：优化所述轻量梯度提升树在分类过程中的运算开销和运算效率；
[0042]
s36：通过贝叶斯优化方法选择所述轻量梯度提升树的最佳模型超参数，获得所述训练好的轻量梯度提升树。
[0043]
一种基于多尺度色散熵分析的脑电情感识别系统，包括：
[0044]
预处理模块，用于获取原始脑电信号，对所述原始脑电信号进行预处理，获得预处理后的脑电信号；所述预处理后的脑电信号包括：θ节律脑电信号、α节律脑电信号、β节律脑电信号和γ节律脑电信号；
[0045]
多尺度色散熵提取模块，用于提取所述预处理后的脑电信号的多尺度色散熵；
[0046]
情感分类模块，用于将所述多尺度色散熵输入训练好的轻量梯度提升树，获得情感分类。
[0047]
本发明具有以下有益效果：
[0048]
1、能够深入分析各节律脑电信号所蕴含的情感信息，提取出表征能力更强的脑电情感特征；
[0049]
2、使用色散熵作为特征提取方法，无需计算嵌入维数分别为s和s+1的任意两个复合延迟向量之间的距离，不对每个嵌入向量的幅度值进行排序，能够有效降低特征提取运算消耗。
附图说明
[0050]
图1为本发明实施例方法流程图；
[0051]
图2为本发明实施例系统结构图；
[0052]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0053]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0054]
目前脑电情感特征提取主要是通过时域分析、频域分析和时频域分析等方法进行的，这些传统方法存在着以下问题：
[0055]
1、脑电信号属于非线性和非平稳性较强的低频微弱信号，现有的时域、频域和时频域脑电情感特征提取方法无法很好地对脑电信号中所蕴含的情感信息进行表征，导致提取出的特征对情感信息的表征能力不强，情感识别率不高。
[0056]
2、样本熵、置换熵、色散熵、多尺度样本熵以及多尺度置换熵等分析方法被应用到
脑电情感特征提取中，并取得了一定的效果，但这些方法在用于特征提取时的运算耗时过长，对长度较短的时间序列信号的处理结果不可靠，且容易受到噪声的干扰。
[0057]
3、样本熵、置换熵和色散熵等方法对脑电信号所蕴含的情感信息的表征能力也需要进一步提升，进而提升脑电情感识别率。
[0058]
参照图1，针对以上问题，本发明提供一种基于多尺度色散熵分析的脑电情感识别方法，包括：
[0059]
s1：获取原始脑电信号，对所述原始脑电信号进行预处理，获得预处理后的脑电信号；所述预处理后的脑电信号包括：θ节律脑电信号、α节律脑电信号、β节律脑电信号和γ节律脑电信号；
[0060]
s2：提取所述预处理后的脑电信号的多尺度色散熵；
[0061]
s3：将所述多尺度色散熵输入训练好的轻量梯度提升树，获得情感分类。
[0062]
本实施例中，步骤s1具体为：
[0063]
s11：对所述原始脑电信号进行带通滤波，获得带通滤波后的脑电信号；
[0064]
具体实现中，带通滤波后的脑电信号的主要频率范围是0.5～50hz，脑电采集设备采集到的频率范围通常大于此频率范围，需要用带通滤波器对采集到的原始脑电信号进行带通滤波，去除其余的频率成分，获得带通滤波后的脑电信号的主要频率范围；
[0065]
s12：对所述带通滤波后的脑电信号进行陷波滤波，获得陷波滤波后的脑电信号；
[0066]
具体实现中，由于工频干扰，带通滤波后的脑电信号仍包含50hz的工频噪声，需要用陷波滤波器滤除50hz的工频噪声；
[0067]
s13：通过独立成分分析法，去除所述陷波滤波后的脑电信号中的心电、眼电、肌电和运动伪迹，获得去除伪迹后的脑电信号；
[0068]
具体实现中，人的心脏跳动、眼球运动和眨眼、肌肉活动以及身体运动均会对脑电信号造成影响，导致脑电信号中出现相应的伪迹成分，使用独立成分分析法能分离出各种成分，从而去除伪迹；
[0069]
s14：将所述去除伪迹后的脑电信号输入四阶巴特沃斯滤波器，获得所述预处理后的脑电信号；
[0070]
具体实现中，预处理后的脑电信号主要包括：δ、θ、α、β和γ五中节律，而δ节律通常在成年人的无梦深睡状态下较为明显，在婴儿身上也很常见，大脑的情感机制无关，因此直接采用四阶巴特沃斯滤波器对脑电信号进行分解，获取θ节律脑电信号、α节律脑电信号、β节律脑电信号和γ节律脑电信号。
[0071]
本实施例中，步骤s2具体为：
[0072]
s21：选取所述预处理后的脑电信号中的一种节律脑电信号，对所述节律脑电信号进行粗粒化处理，获得粗粒化后的节律脑电信号x
j
(j＝1,2,...,n)；其中，j表示节律脑电信号的时间序列，n表示节律脑电信号的时间长度；
[0073]
s22：对所述粗粒化后的节律脑电信号x
j
进行映射，使用s型映映射方法将粗粒化后的节律脑电信号x
j
映射到c个不同类别上(c个类别的索引分别为1到c的整数)，获得映射后的节律脑电信号y
c
，表示为：
[0074]
[0075]
其中，表示各时间序列对应的映射后的节律脑电信号，c表示映射类别数量；
[0076]
s23：通过所述映射后的节律脑电信号y
c
，构建具有时间延迟参数t和嵌入维数s的时间序列表示为：
[0077][0078]
其中，s表示为时间序列的元素个数；
[0079]
s24：获得所述时间序列对应的色散模式其中，
[0080]
在步骤s24的计算中，分配给每个时间序列的可能的色散模式π的数量等于c
s
；因为时间序列具有s个元素，并且每个元素都可能被映射到索引为整数1到c的类别中；
[0081]
s25：计算所述色散模式的潜在相对概率
[0082]
s26：根据香农熵理论，通过所述潜在相对概率计算获得该节律脑电信号的色散熵(dispersion entropy,dispen)；
[0083]
s27：重复步骤s21
‑
s26共4次，获得所述多尺度色散熵，包括：θ节律脑电信号的色散熵、α节律脑电信号的色散熵、β节律脑电信号的色散熵和γ节律脑电信号的色散熵。
[0084]
本实施例中，步骤s21中所述粗粒化后的节律脑电信号x
j
的表达式如下：
[0085][0086]
其中，u
b
表示节律脑电信号，l表示节律脑电信号的长度，τ表示尺度因子。
[0087]
本实施例中，步骤s25中所述潜在相对概率的计算公式如下：
[0088][0089]
其中，#表示计算基数；实际上，表示的是分配给时间序列的色散模式的数量除以s作为嵌入维数进行嵌入化处理后的信号的总数量，因此，还可以被表示为：
[0090][0091]
本实施例中，步骤s26中所述节律脑电信号的色散熵的计算公式如下：
[0092][0093]
其中，c
s
表示每个时间序列的可能的色散模式的数量，u表示节律脑电信号。
[0094]
本实施例中，步骤s3中所述训练好的轻量梯度提升树的训练过程为：
[0095]
s31：获取轻量梯度提升树，将训练数据输入所述轻量梯度提升树；
[0096]
s32：将所述轻量梯度提升树中决策树的层生长策略优化为叶子生长策略；
[0097]
s33：通过直方图算法降低所述轻量梯度提升树运算时的存储空间消耗；
[0098]
s34：通过单边梯度采样算法和互斥捆绑算法降低所述轻量梯度提升树运算时的数据运算量；
[0099]
s35：优化所述轻量梯度提升树在分类过程中的运算开销和运算效率；
[0100]
s36：通过贝叶斯优化方法选择所述轻量梯度提升树的最佳模型超参数，获得所述训练好的轻量梯度提升树。
[0101]
参考图2，本发明提供一种基于多尺度色散熵分析的脑电情感识别系统，包括：
[0102]
预处理模块10，用于获取原始脑电信号，对所述原始脑电信号进行预处理，获得预处理后的脑电信号；所述预处理后的脑电信号包括：θ节律脑电信号、α节律脑电信号、β节律脑电信号和γ节律脑电信号；
[0103]
多尺度色散熵提取模块20，用于提取所述预处理后的脑电信号的多尺度色散熵；
[0104]
情感分类模块30，用于将所述多尺度色散熵输入训练好的轻量梯度提升树，获得情感分类。
[0105]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0106]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
[0107]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。