基于多尺度色散熵分析的脑电情感识别方法及系统技术方案

本发明专利技术涉及脑电信息处理领域，提供一种基于多尺度色散熵分析的脑电情感识别方法及系统，包括：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；提取所述预处理后的脑电信号的多尺度色散熵；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。本发明专利技术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；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。算消耗。算消耗。

【技术实现步骤摘要】
基于多尺度色散熵分析的脑电情感识别方法及系统


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的主要目的在于，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。
[0006]为实现上述目的，本专利技术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：
[0007]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；
[0008]S2：提取所述预处理后的脑电信号的多尺度色散熵；
[0009]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。
[0010]优选地，步骤S1具体为：
[0011]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；
[0012]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；
[0013]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；
[0014]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。
[0015]优选地，步骤S2具体为：
[0016]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；
[0017]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]本专利技术具有以下有益效果：
[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为本专利技术实施例方法流程图；
[0051]图2为本专利技术实施例系统结构图；
[0052]本专利技术目的的实现、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专利技术，并不用于限定本专利技术。
[0054]目前脑电情感特征提取主要是通过时域分析、频域分析本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度色散熵分析的脑电情感识别方法，其特征在于，包括：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；S2：提取所述预处理后的脑电信号的多尺度色散熵；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。2.根据权利要求1所述的基于多尺度色散熵分析的脑电情感识别方法，其特征在于，步骤S1具体为：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；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；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；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。3.根据权利要求1所述的基于多尺度色散熵分析的脑电情感识别方法，其特征在于，步骤S2具体为：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；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：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；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：其中，s表示为时间序列的元素个数；S24：获得所述时间序列对应的色散模式其中，S25：计算所述色散模式的潜在相对概率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；S27：重复步骤S21
‑
S26共4次，获得所述多尺度...

【专利技术属性】
技术研发人员：刘振焘，胡思俊，佘锦华，徐迟，赵娟，徐鑫，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：