【技術實現步驟摘要】
本專利技術涉及腦電圖信號處理和情緒識別方法，特別涉及一種基于多域注意力融合網絡的腦電信號情緒識別方法。
技術介紹
1、情感在日常中扮演著至關重要的角色。消極情緒的存在增加了抑郁癥、精神分裂癥等心理健康問題的風險。因此，情緒的認知和識別對于情緒調節至關重要。腦電圖(eeg)信號作為一種非侵入式的大腦活動監測方法，已廣泛應用于情感識別、醫療診斷和人機交互等領域。
2、腦電信號具有時間、空間和頻譜等多維特征，這些特征在情緒分析中必須得到充分考慮。然而，目前的方法未能充分利用這些不同的腦電特征以及情緒特征之間的局部模式。在基于eeg的情緒識別中，深度學習模型的引入顯著提升了分類性能和泛化能力。
3、一些研究者也通過提取不同頻段的頻譜，并將其輸入到卷積神經網絡中進行情緒分析。然而，卷積神經網絡(cnn)忽視了全局信息，而循環神經網絡(rnn)則未能捕獲空間信息，且并行效率較低。為解決這些問題，研究人員開始將卷積神經網絡與循環神經網絡相結合以進行情緒識別。與此同時，注意力機制也引起了研究者的關注。雖然transformer中的自注意力機制可以挖掘腦電圖中時間信息的關系，但它未考慮腦電圖中至關重要的空間信息。
4、并且，需要注意的是，現有的模型大多只利用了單一特征或兩個特征的組合，未能充分利用空間-頻率-時間特征之間的互補性。因此，這些模型在一定程度上受到了限制。此外，如何捕捉不同維度特征的局部模式也給腦電情感識別帶來了挑戰。常用的長短期記憶網絡(lstm)和門控循環單元(gru)相對結構更為復雜，導致訓練
技術實現思路
1、本專利技術提出了一種多域注意力融合網絡的情感識別方法，旨在解決當前eeg情感識別方法中存在的特征提取不充分、分類精度有限、池化過程信息丟失等問題。不同于傳統方法，本專利技術綜合考慮了頻率域、空間域和時間域特征。提取腦電信號每個通道的微分熵特征并將其與通道信息結合，通過空頻域混合通道注意力機制對每個通道的重要性進行動態分配權重，進而更精確地提取腦電信號的空間信息。與傳統池化方法相比，本專利技術采用了雙線性下采樣池化(bd?pooling)操作，能夠在突出重要特征的同時保留更多細節信息，從而提高了模型的性能。此外，本專利技術引入了雙向簡單循環單元(bisru)結構代替傳統的rnn結構，利用其雙向特性捕獲腦電信號中的長期依賴關系，并通過改進多維自注意力機制考慮了樣本之間的內在關聯性，從而進一步提升了模型的表現，使其在腦電情緒識別任務中具有更高的準確性和效率。
2、按照
技術實現思路
，具體包括以下步驟：
3、步驟1、獲取腦電eeg信號，并對eeg信號進行預處理。
4、步驟2、將預處理后的eeg信號通過空頻域混合通道注意力模塊，進行通道特征提取，捕捉加權注意力特征。具體為：
5、對預處理后的eeg信號進行通道特征提取，并為每個通道提取微分熵特征。將通道特征以及微分熵特征分別用于計算每個通道注意力的權重，然后將兩個權重相加并在歸一化后加權到原始eeg信號上，實現對每個通道在情感識別中重要性的動態分配。通過空頻域混合通道注意力模塊，能夠同時捕捉eeg信號的空間和頻域特征。已有方法針對腦電信號通道通常只關注單一維度的特征，沒有充分考慮到空間與與頻率域的綜合特征信息。而本專利技術方法通過融合多維度特征，可以更全面地反映eeg信號的復雜性，從而提高情感識別的準確性。這種融合方式能夠更好地保留和利用信號中的重要信息，提高模型的表現。
6、步驟3、加權注意力特征通過cnn模塊，提取eeg信號的空間和頻域特征。
7、cnn模塊進一步提取eeg信號的空間和頻域信息。本專利技術提出的bd?pooling方法通過考慮整個池化窗口中的數據算出對應值，能夠在保留部分細節特征的同時，突出最重要的特征，提升了分類性能和效率?，F有常用的池化方法如最大池化可能會丟失一些細節信息，而bd?pooling通過一種有選擇性的方式保留重要細節，從而提高了特征的代表性和分類準確性。
8、步驟4、將改進的多維自注意力與bisru相結合，捕捉空間和頻域特征的綜合特征。
9、為了充分考慮eeg信號的時間信息，將改進的多維自注意力與bisru相結合，捕捉步驟3輸出中特征的長期依賴關系。一般的rnn模型如lstm和gru雖然可以處理時間依賴信息，但在捕捉復雜的多維特征時存在局限性。引入自注意力機制能夠讓模型關注到輸入序列中每個位置的重要性，從而更好地捕捉時序信息。此外，bisru通過雙向信息流的方式，進一步提升了模型對時間依賴特征的捕捉能力。理論上，自注意力機制和bisru的結合能夠在不顯著增加計算成本的情況下，顯著提升模型對時間特征的理解能力。
10、步驟5、將綜合特征通過softmax函數進行分類，輸出情緒識別結果。
11、本專利技術有益效果如下：
12、通過引入多域注意力機制和cnn-bsa架構，有效地整合了腦電信號的頻域、空間和時間特征。通過新穎的空頻域混合通道注意力機制，本專利技術實現了對每個通道動態分配權重，以更精確地提取腦電信號的關鍵信息。bisru模塊結合改進的多維自注意的引入不僅增強了對腦電信號長期依賴關系的捕獲能力，還有效提高了情緒識別的性能和效率。此外，本專利技術提出的bd?pooling方法有效減少了模型的參數計算量，能夠更好地突出重要特征并保留關鍵細節信息，從而為情緒識別提供了更可靠的特征表示，進一步提升了分類準確性。
本文檔來自技高網...【技術保護點】
1.基于多域注意力融合網絡的情緒識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多域注意力融合網絡的情緒識別方法，其特征在于，所述步驟2具體實現過程為：
3.根據權利要求2所述的基于多域注意力融合網絡的情緒識別方法，其特征在于，所述步驟3具體實現過程如下：
4.根據權利要求3所述的基于多域注意力融合網絡的情緒識別方法，其特征在于，所述步驟4具體實現過程如下：
5.根據權利要求4所述的基于多域注意力融合網絡的情緒識別方法，其特征在于，所述步驟4-2具體實現如下：
【技術特征摘要】
1.基于多域注意力融合網絡的情緒識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多域注意力融合網絡的情緒識別方法，其特征在于，所述步驟2具體實現過程為：
3.根據權利要求2所述的基于多域注意力融合網絡的情緒識別方法，其特征在...
【專利技術屬性】
技術研發人員：沈凱威，佘青山，馬玉良，席旭剛，
申請(專利權)人：杭州電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。