基于多层感知机的情绪分类方法.pdf

《基于多层感知机的情绪分类方法.pdf》由会员分享，可在线阅读，更多相关《基于多层感知机的情绪分类方法.pdf（9页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010013712.2 (22)申请日 2020.01.07 (71)申请人 南京邮电大学 地址 210003 江苏省南京市鼓楼区新模范 马路66号 (72)发明人 徐欣方月彤陈麒骏黄惠晟 (74)专利代理机构 南京苏科专利代理有限责任 公司 32102 代理人 牛莉莉 (51)Int.Cl. A61B 5/0476(2006.01) A61B 5/16(2006.01) A61B 5/00(2006.01) (54)发明名称 一种基于多层感知机的情绪分类方法 (57)摘要。

2、 本发明涉及了一种基于多层感知机的情绪 分类方法， 首先通过将原始的脑电信号进行噪声 的滤除， 然后提取特征向量， 之后通过多层感知 机利用所得信号对分类模型进行训练并将训练 模型保存， 最后通过该模型进行情绪的分类。 本 发明的创新之处在于： 训练模型可作为预训练模 型， 再次输入网络中， 从而在数据更新时， 可利用 新的数据实时调整模型， 而无需将所有数据重新 输入网络中进行训练， 从而实现在已有模型上不 断优化模型准确性， 即实现模型实时学习的目 的。 这种终身学习的模型对于提高模型的适应性 和准确率具有重要意义。 权利要求书2页 说明书5页 附图1页 CN 111012340 A 20。

3、20.04.17 CN 111012340 A 1.一种基于多层感知机的情绪分类方法， 其特征在于： 包含以下步骤， 步骤1： 对采集的脑电信号进行去噪； 步骤2： 对该信号进行傅立叶变换， 转化为频域的分析； 步骤3： 特征提取， 计算脑电信号的五个重要频带的微分熵、 功率谱密度等值； 步骤4： 将特征值输入多层感知机中训练分类模型； 步骤5： 将训练所得模型加载入分类算法中， 从而实现情绪的实时分类， 并可利用实时 采集的新数据完成模型的进一步训练。 2.根据权利要求1所述的基于多层感知机的情绪分类方法， 其特征在于： 所述步骤1中， 提取的信号为大脑前额区的脑电信号。 3.根据权利要求2。

4、所述的基于多层感知机的情绪分类方法， 其特征在于： 所述步骤1中， 采用双通道设备分别采集大脑左右半球的脑电信号数据， 通过计算不对称熵特征， 并利用 此计算数据作为分类器输入， 提高分类识别率。 4.根据权利要求1所述的基于多层感知机的情绪分类方法， 其特征在于： 所述步骤2中， 利用公式： 将基于时域的信号分析与处理转化为频域的分析。 5.根据权利要求1所述的基于多层感知机的情绪分类方法， 其特征在于： 所述步骤3中， 特征值为利用傅立叶变换处理所得后信号提取所得的各个频段的微分熵值、 功率谱密度 值。 6.根据权利要求5所述的基于多层感知机的情绪分类方法， 其特征在于： 所述步骤3的 具。

5、体步骤为： 对于五个重要频带的微分熵， 利用以下推导得到的公式进行计算： 用平均信息量表示一个信源Xi的信息量， 将取值的范围大致划分为宽度为的小部分， 由均值定理可知， 每部分总存在一个xi使下面等式成立： 将每个在i部分的点赋给xi， 代入离散变量的香农熵公式中： H-ip(xi)lnp(xi)-ip(xi)lnp(xi)-ip(xi)ln 0 当趋于0时， ip(xi)趋于1， 而ln趋于-， 所以式(2)最右侧第二项趋向于， 定 义式(3)最右侧第一项为连续信源的熵， 称为微分熵， 从而微分熵可以写成： H(x)- Xf(x)logf(x)dx (2) 式中， f(x)是信号xi的概率。

6、密度函数； 假设信号源， 脑电信号数据服从正态分布N( ， 2)， 然后求解微分熵， 得： 由上式可得， 只要得到 2， 便可得到xi的微分熵， 则正态分布N( ， 2)的方差计算公式 为： 权利要求书 1/2 页 2 CN 111012340 A 2 通常定义离散信号的频谱能量为则由上式可得， 对于某一个频带的 微分熵特征为： 而功率谱密度则可通过公式： 利用对频带能量， 即功率谱密度的分析， 可得到人的情绪的激烈程度， 利用其他特征值 可通过多层感知机， 对情绪的积极、 消极做出分类。 7.根据权利要求5所述的基于多层感知机的情绪分类方法， 其特征在于： 所述步骤5中， 还可将上述不对称熵。

7、也输入多层感知机中； 所述不对称熵计算方法为： 1)分别计算左脑三个导联(FP1、 F3、 F7)在 频带的微分熵和右脑三个导联(FP2、 F4、 F8) 在 频带的微分熵； 2)计算右侧导联的微分熵除以左、 右对称导联的微分熵之差的值与右侧导联的微分熵 除以左、 右对称导联的微分熵之差的值与右侧导联的微分熵除以左、 右对称导联的微分熵 之和的值， 如式(8)、 式(9)所示： DEL表示左侧导联的微分熵， DER表示右侧导联的微分熵； 3)将计算的到的index1和index2拼合在一起， 作为不对称熵DisEn， 用式(10)来表示： DisEnindex1， index2 (11)。 8。

8、.根据权利要求1所述的基于多层感知机的情绪分类方法， 其特征在于： 所述步骤4中， 多层感知机分类器采用迁移学习、 终身学习架构， 可通过进一步的训练提高分类的准确率； 多层感知机通过模拟生物神经元的模式， 特征值输入到其输入层中， 隐层和输出层的每个 节点都计算一次线性变换， 并应用线性激活函数， 并通过增加隐含层提升其分类的准确性； 通过输入训练数据集使其训练出一个模型； 其本质上相当于广义线性回归模型的集成， 故 可以完成分类的任务。 9.根据权利要求1所述的基于多层感知机的情绪分类方法， 其特征在于： 所述步骤5的 具体实施方法为， 将步骤4中保存的分类模型重新加载并应用于对所获取数据。

9、的情绪分类 中， 为了减少偶然因素的影响， 每次分析都采取对1s内脑电信号数据， 即一段数据进行处 理， 这样， 情绪的实时分类便得以实现。 权利要求书 2/2 页 3 CN 111012340 A 3 一种基于多层感知机的情绪分类方法 技术领域 0001 本发明涉及一种基于脑电信号的情绪分类方法， 属于数字信号处理技术领域。 背景技术 0002 脑电信号， 是脑神经细胞生理活动在大脑皮层或头皮表面的总体反映。 脑电信号 中包含了大量的生理与疾病信息， 而随着脑-计算机接口(BCI)技术的发展， 脑电信号于医 疗、 工程领域的应用也愈加广泛。 目前， 基于脑电信号的情绪分析方法受到高度关注。 。

10、0003 近年来， 国内外不少相关研究已证明了通过脑电图进行情绪识别的可行性。 FengLiu等人提出了一种基于样本熵的情绪识别方法、 Calibo等人应用能量特征并结合神 经网络对情绪进行识别。 在前人的研究中， 情绪的分类已被实现。 然而， 上述方法虽然在各 自特定的实验中都表现出一定的准确性， 但也存在明显不足： 如分类准确度低， 且模型无法 迁移学习、 终身学习， 即无法对已存在的模型进行进一步的训练， 无法随数据的获取实时调 整模型， 无法实现对模型的持续优化。 发明内容 0004 本发明的目的在于： 针对现有技术存在的缺陷， 提供一种基于多层感知机的情绪 分类方法， 通过模型的优化。

11、， 提高分类的准确率。 0005 为达到以下目的， 本发明采用的技术方案如下： 0006 一种基于多层感知机的情绪分类方法， 其关键在于包括以下步骤： 0007 步骤1： 对采集的脑电信号进行去噪； 0008 步骤2： 对该信号进行傅立叶变换， 转化为频域的分析； 0009 步骤3： 特征提取， 计算脑电信号的五个重要频带的微分熵、 功率谱密度等值； 0010 步骤4： 将特征值输入多层感知机中训练分类模型。 0011 步骤5： 将训练所得模型加载入分类算法中， 从而实现情绪的实时分类， 同时当获 取到新的数据时， 原本训练所得模型可作为预训练模型与新获取的数据一起， 进行进一步 的训练， 从。

12、而在数据更新时， 可利用新的数据提升分类模型的性能， 从而达到在已有模型上 通过获取的数据实时调整模型， 不断优化模型准确性的目的。 0012 进一步的技术方案是， 所述脑电信号为分别采集左右半球前额区的信号。 且特征 提取过程中考虑到左右脑在产生情绪时脑电信号的非对称性， 提取出脑电信号的不对称熵 特征， 并将此特征值也输入到神经网络中。 0013 所述步骤2中， 利用公式： 0014 0015 将基于时域的信号分析与处理转化为频域的分析。 0016 进一步的， 所述步骤3中， 特征值为利用傅立叶变换处理所得后信号提取所得的各 个频段的微分熵值、 功率谱密度值。 0017 进一步的， 所述步。

13、骤3的具体步骤为： 说明书 1/5 页 4 CN 111012340 A 4 0018 对于五个重要频带的微分熵， 利用以下推导得到的公式进行计算： 0019 用平均信息量表示一个信源Xi的信息量， 将取值的范围大致划分为宽度为的小 部分， 由均值定理可知， 每部分总存在一个xi使下面等式成立： 0020 0021 将每个在i部分的点赋给xi， 代入离散变量的香农熵公式中： 0022 H-ip(xi)lnp(xi)-ip(xi)lnp(xi)-ip(xi)ln 0 0023 当趋于0时， ip(xi)趋于1， 而ln趋于-， 所以式(2)最右侧第二项趋向于 ， 定义式(3)最右侧第一项为连续信。

14、源的熵， 称为微分熵， 从而微分熵可以写成： 0024 H(x)- Xf(x)logf(x)dx (2) 0025 式中， f(x)是信号xi的概率密度函数； 假设信号源， 脑电信号数据服从正态分布N ( ， 2)， 然后求解微分熵， 得： 0026 0027 由上式可得， 只要得到 2， 便可得到xi的微分熵， 则正态分布N( ， 2)的方差计算公 式为： 0028 0029通常定义离散信号的频谱能量为则由上式可得， 对于某一个频 带的微分熵特征为： 0030 0031 而功率谱密度则可通过公式： 0032 0033 利用对频带能量， 即功率谱密度的分析， 可得到人的情绪的激烈程度， 利用其。

15、他特 征值可通过多层感知机， 对情绪的积极、 消极做出分类。 0034 进一步的， 所述步骤5中， 还可将上述不对称熵也输入多层感知机中； 0035 所述不对称熵计算方法为： 0036 1)分别计算左脑三个导联(FP1、 F3、 F7)在 频带的微分熵和右脑三个导联(FP2、 F4、 F8)在 频带的微分熵； 0037 2)计算右侧导联的微分熵除以左、 右对称导联的微分熵之差的值与右侧导联的微 分熵除以左、 右对称导联的微分熵之差的值与右侧导联的微分熵除以左、 右对称导联的微 分熵之和的值， 如式(8)、 式(9)所示： 0038 0039 0040 DEL表示左侧导联的微分熵， DER表示右。

16、侧导联的微分熵； 0041 3)将计算的到的index1和index2拼合在一起， 作为不对称熵DisEn， 用式(10)来表 示： 说明书 2/5 页 5 CN 111012340 A 5 0042 DisEnindex1,index2 (11)。 0043 进一步的， 所述步骤4中， 多层感知机分类器采用迁移学习、 终身学习架构， 可通过 进一步的训练提高分类的准确率； 多层感知机通过模拟生物神经元的模式， 特征值输入到 其输入层中， 隐层和输出层的每个节点都计算一次线性变换， 并应用线性激活函数， 并通过 增加隐含层提升其分类的准确性； 通过输入训练数据集使其训练出一个模型； 其本质上相。

17、 当于广义线性回归模型的集成， 故可以完成分类的任务。 0044 进一步的， 所述步骤5的具体实施方法为， 将步骤4中保存的分类模型重新加载并 应用于对所获取数据的情绪分类中， 为了减少偶然因素的影响， 每次分析都采取对1s内脑 电信号数据， 即一段数据进行处理， 这样， 情绪的实时分类便得以实现。 0045 与现有技术相比， 本发明的主要贡献和特点在于： 0046 通过改变分类算法， 应用迁移学习， 将预训练模型输入网络中， 并将往后训练的每 个模型都作为新的预训练模型输入网络， 使分类模型得以实时更新， 即终身学习。 使得分类 准确度随着数据样本的增加而提升， 且无需将所有数据重新输入网络。

18、进行长时间的重新训 练； 与传统方法相比， 本发明能不断随着数据获取实时调整模型并提高情绪分类的准确率， 使分类方法更具有实际应用价值。 附图说明 0047 下面结合附图对本发明作进一步的说明。 0048 图1是本发明中为获取预训练模型流程图。 0049 图2是本发明中分类器迁移学习流程图。 具体实施方式 0050 下面对本发明的具体实施方式进行详细描述， 但应当理解本发明的保护范围并不 受具体实施方式的限制。 0051 本实施提出的一种基于多层感知机的情绪分类方法， 包括以下步骤： 0052 步骤1： 通过ThinkGearASIC芯片对脑电信号进行噪声的过滤， 通过无线通信获取 芯片得到的。

19、放大后的原始脑电信号及所输出的, 等脑电信号波段数据。 作为进一步的技 术方案， 可采用双通道设备分别采集大脑左右半球的脑电信号数据， 计算其不对称熵特征， 作为分类器的输入。 0053 步骤2： 对采集所得信号进行傅立叶变换， 转化为频域上的分析： 0054 利用公式： 0055 0056 将基于时域的信号分析与处理转化为频域的分析。 0057 步骤3： 对获取的脑电信号进行特征提取， 分别计算出五个重要频带的微分熵、 功 率谱密度等值， 具体操作如下： 0058 对于五个重要频带的微分熵， 利用以下推导得到的公式进行计算： 0059 用平均信息量表示一个信源Xi的信息量， 将取值的范围大致。

20、划分为宽度为的小 部分， 由均值定理可知， 每部分总存在一个xi使下面等式成立： 说明书 3/5 页 6 CN 111012340 A 6 0060 0061 将每个在i部分的点赋给xi， 代入离散变量的香农熵公式中： 0062 H-ip(xi)lnp(xi)-ip(xi)lnp(xi)-ip(xi)ln 0 0063 当趋于0时， ip(xi)趋于1， 而ln趋于-， 所以式(2)最右侧第二项趋向于 ， 定义式(3)最右侧第一项为连续信源的熵， 称为微分熵， 从而微分熵可以写成： 0064 H(x)- Xf(x)logf(x)dx (2) 0065 式中， f(x)是信号xi的概率密度函数。。

21、 我们假设信号源， 脑电信号数据服从正态分 布N( ， 2)， 然后求解微分熵， 得： 0066 0067 由上式可得， 只要得到 2， 便可得到xi的微分熵， 则正态分布N( ， +)的方差计算公 式为： 0068 0069通常定义离散信号的频谱能量为则由上式可得， 对于某一个频 带的微分熵特征为： 0070 0071 由此， 利用微分熵特征减小频带能量值在计算时过大而产生的误差， 提高了特征 的精确度。 0072 而功率谱密度则可通过公式： 0073 0074 利用对频带能量， 即功率谱密度的分析， 可得到人的情绪的激烈程度。 利用其他特 征值可通过多层感知机， 对情绪的积极、 消极做出分。

22、类。 0075 作为可选优化方案， 此过程中还可将上述不对称熵也输入多层感知机中。 0076 所述不对称熵计算方法为： 0077 分别计算左脑三个导联(FP1、 F3、 F7)在 频带的微分熵和右脑三个导联(FP2、 F4、 F8)在 频带的微分熵。 0078 计算右侧导联的微分熵除以左、 右对称导联的微分熵之差的值与右侧导联的微分 熵除以左、 右对称导联的微分熵之差的值与右侧导联的微分熵除以左、 右对称导联的微分 熵之和的值， 如式(9)、 式(10)所示： 0079 0080 0081 DEL表示左侧导联的微分熵， DER表示右侧导联的微分熵 0082 将计算的到的index1和index。

23、2拼合在一起， 作为不对称熵DisEn， 用式(11)来表 示： 说明书 4/5 页 7 CN 111012340 A 7 0083 DisEnindex1,index2 (11) 0084 步骤4： 将特征值输入多层感知机中， 训练模型。 0085 多层感知机通过模拟生物神经元的模式， 特征值输入到其输入层中， 隐层和输出 层的每个节点都计算一次线性变换， 并应用线性激活函数， 并通过增加隐含层提升其分类 的准确性。 通过输入训练数据集使其训练出一个模型。 其本质上相当于广义线性回归模型 的集成， 故可以完成分类的任务。 0086 步骤5： 利用步骤4训练出的分类模型进行情绪的实时分类。 0。

24、087 具体实施方法为， 将步骤4中保存的分类模型重新加载并应用于对所获取数据的 情绪分类中。 为了减少偶然因素的影响， 每次分析都采取对1s内脑电信号数据， 即一段数据 进行处理。 这样， 情绪的实时分类便得以实现。 0088 步骤6： 更新模型。 0089 所采用神经网络模型可利用预训练模型， 直接使用相应的结构和权重， 与新获取 的数据一起训练， 从而实现迁移学习。 且每次获取新数据时， 都可选择是否与上一次更新所 得模型进行进一步的更新， 若是， 则模型进行调整； 若否， 则采用上一次的模型进行情绪的 分类与预测， 从而实现模型的不断更新， 实现终身学习， 实现分类模型的不断优化。 0。

25、090 本发明的创新之处在于： 通过改变分类算法， 应用迁移学习， 将预训练模型输入网 络中， 并将往后训练的每个模型都作为新的预训练模型输入网络， 使分类模型得以实时更 新， 即终身学习。 使得分类准确度随着数据样本的增加而提升， 且无需将所有数据重新输入 网络进行长时间的重新训练； 与传统方法相比， 本发明能不断随着数据获取实时调整模型 并提高情绪分类的准确率， 使分类方法更具有实际应用价值。 0091 以上所述， 仅为本发明专利中的具体实施方式， 但本发明的保护范围并不局限于 此， 任何近似的变换或替换， 都应涵盖在本发明的包含范围之内， 因此， 本发明的保护范围 应该以权利要求书的保护范围为准。 说明书 5/5 页 8 CN 111012340 A 8 图1 图2 说明书附图 1/1 页 9 CN 111012340 A 9 。