情绪识别方法

本申请涉及人工智能，更具体地，涉及一种情绪识别方法。

背景技术：

1、情绪是人对客观事物的态度体验及相应的行为反应，对于人类的行为和心理健康有着重要影响，在医学方面，准确识别情绪有助于对有心理疾病或表达障碍的患者进行疏导与诊断，例如，通过识别抑郁情绪，可以提供抑郁症预警以及早期干预治疗的机会。

2、脑电信号是一种在大脑皮层或头皮表面上反应大脑神经细胞中电活动总体效应的生理信号，通过放置在头部不同部位的电极可以同时采集多通道的脑电信号。将脑电信号作为信息来源，通过人工智能识别情绪，是一种客观的情绪识别方法。

3、现有通过人工智能识别情绪的方法中，主要提取脑电信号的时域及频域特征作为神经网络的输入，并未考虑脑电信号各通道间的相关性信息，识别准确率较低；此外，在训练人工智能神经网络的实际操作中，部分情绪分类的脑电信号样本量较少，容易导致神经网络过拟合。

4、亟需对现有情绪识别方法进行改进，以实现客观、准确地识别情绪。

技术实现思路

1、为了至少部分地解决上述技术问题，本申请提出一种情绪识别方法。

2、该方法包括以下步骤：获取目标对象的多通道脑电数据集；基于所述多通道脑电数据集，确定目标对象的图节点特征集合并生成邻接矩阵，其中，所述邻接矩阵的矩阵元是基于相应通道之间的相关系数计算得到的；以及将所述图节点特征集合和所述邻接矩阵输入经过训练的图卷积网络，以识别目标对象的情绪。

3、优选地，所述多通道脑电数据集是通过对从目标对象采集的多通道脑电信号进行预处理得到的，其中，所述预处理包括以下步骤：使用陷波滤波器去除脑电信号的工频噪声；针对去除工频噪声的脑电信号进行零均值归一化；以及针对每一个通道，从归一化的脑电信号中重复截取通道数据段，以建立所述多通道脑电数据集，其中，截取使用的时间窗口具有固定长度且相邻的通道数据段部分地重叠，并且在同一时间窗口内截取的各通道的通道数据段构成该时间窗口的通道数据段组。

4、优选地，确定目标对象的图节点特征集合包括：将所述多通道脑电数据集中的通道数据段转换为频域数据；通过带通滤波器从所述频域数据中提取频带；通过下式计算所述频带的微分熵x，

5、

6、其中，p是所述频带的能量谱，n是所述通道数据段的时间长度；以及将所述多通道脑电数据集的微分熵集合x输入双向长短期记忆(bilstm)网络，以确定所述图节点特征集合h，其中，

7、x＝{x│x∈rn×t×d}，h＝{h│h∈rn×d′}，

8、其中，n是所述多通道脑电数据集中通道的数量，t是所述多通道脑电数据集中通道数据段组的数量，d是所述频带的数量，d′是所述图节点特征向量的维度。

9、优选地，所述频带包括δ(0.5-3.5hz)、θ(3.5-7.5hz)、α(7.5-13.5hz)和β(13.5-30hz)。

10、优选地，所述邻接矩阵是基于相关系数矩阵a确定的，其中，a＝(aij)n×n，n是所述多通道脑电数据集中通道的数量，矩阵元aij是通过下式计算的所述多通道脑电数据集中第i个通道与第j个通道的皮尔逊相关系数，

11、

12、上式中，m表示采样点数量，sk表示第i个通道中第k个采样点的样本值，表示第i个通道中采样点的样本均值，tk表示第j个通道中第k个采样点的样本值，表示第j个通道中采样点的样本均值。

13、优选地，确定所述邻接矩阵的过程包括以下步骤：将所述相关系数矩阵a中矩阵元aij根据数值大小排序，排序靠前的多个矩阵元数值用1替换，其余矩阵元数值用0替换，得到矩阵d；通过下式计算矩阵d′，

14、d′＝(dij)n×n＝(d+dt)/2，

15、其中，dt是矩阵d的转置；以及通过下式计算所述邻接矩阵a'，

16、a'＝(a′ij)n×n，

17、其中，

18、优选地，所述图卷积网络采用切比雪夫卷积核以降低计算复杂度，采用relu激活函数在图卷积后进行非线性映射，采用谱池化操作以降低图的尺寸，采用readout函数将节点属性聚合，采用softmax函数在全连接层进行二分类，以及采用带有l2正则化的交叉熵损失函数作为所述图卷积网络的损失函数。

19、优选地，所述图卷积网络的训练过程包括以下步骤：分别针对既有脑电信号建立所述多通道脑电数据集，形成脑电数据集群；分割所述脑电数据集群中所述多通道脑电数据集以增加样本量；将所述脑电数据集群中所述多通道脑电数据集及所述多通道脑电数据集对应的情绪分类标签分割为训练集和测试集；使用所述训练集训练所述图卷积网络；以及使用所述测试集测试所述图卷积网络的训练效果。

20、优选地，目标对象的情绪是指抑郁情绪。

21、本申请的情绪识别方法，通过计算通道之间的相关系数生成邻接矩阵，并将邻接矩阵和图节点特征集合输入图卷积网络以识别目标对象的情绪。与现有技术中通过人工智能识别情绪的方法相比，将通道之间的相关性信息纳入神经网络的输入信息范围内，提高了情绪识别的准确率。此外，本申请通过将较长时间的脑电信号截取成较小的通道数据段，增加了脑电信号的样本数量，可以有效避免神经网络的过拟合问题。

22、本申请的其它特征和优点将在随后的具体实施方式部分予以详细说明。

技术特征：

1.一种情绪识别方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的情绪识别方法，其特征在于，所述多通道脑电数据集是通过对从目标对象采集的多通道脑电信号进行预处理得到的，其中，所述预处理包括以下步骤：

3.根据权利要求2所述的情绪识别方法，其特征在于，确定目标对象的图节点特征集合包括：

4.根据权利要求3所述的情绪识别方法，其特征在于，所述频带包括δ(0.5-3.5hz)、θ(3.5-7.5hz)、α(7.5-13.5hz)和β(13.5-30hz)。

5.根据权利要求2所述的情绪识别方法，其特征在于，所述邻接矩阵是基于相关系数矩阵a确定的，其中，a＝(aij)n×n，n是所述多通道脑电数据集中通道的数量，矩阵元aij是通过下式计算的所述多通道脑电数据集中第i个通道与第j个通道的皮尔逊相关系数，

6.根据权利要求5所述的情绪识别方法，其特征在于，确定所述邻接矩阵的过程包括以下步骤：

7.根据权利要求1所述的情绪识别方法，其特征在于，所述图卷积网络采用切比雪夫卷积核以降低计算复杂度，采用relu激活函数在图卷积后进行非线性映射，采用谱池化操作以降低图的尺寸，采用readout函数将节点属性聚合，采用softmax函数在全连接层进行二分类，以及采用带有l2正则化的交叉熵损失函数作为所述图卷积网络的损失函数。

8.根据权利要求1所述的情绪识别方法，其特征在于，所述图卷积网络的训练过程包括以下步骤：

9.根据权利要求1至8中任一项所述的情绪识别方法，其特征在于，目标对象的情绪是指抑郁情绪。

技术总结
本申请公开了一种情绪识别方法。本申请提出的方法包括，获取目标对象的多通道脑电数据集；基于所述多通道脑电数据集，确定目标对象的图节点特征集合并生成邻接矩阵，其中，所述邻接矩阵的矩阵元是基于相应通道之间的相关系数计算得到的；以及将所述图节点特征集合和所述邻接矩阵输入经过训练的图卷积网络，以识别目标对象的情绪。通过将通道之间的相关性信息纳入神经网络的输入信息范围内，提高了情绪识别的准确率。

技术研发人员：刘帷,贾克斌,王卓峥
受保护的技术使用者：北京工业大学
技术研发日：
技术公布日：2024/3/4