一种基于脑网络集成与分离的动态图指标的情感识别方法技术

本发明专利技术涉及情感识别领域，提出一种基于脑网络集成与分离的动态图指标的情感识别方法，用动态图指标作为脑电特征，弥补了静态脑网络的分析无法有效的反应大脑网络结构随时间动态变化的情况这一不足，更好的反映了情感变化过程中大脑各模块之间的关联关系以及单个模块内部连接的变化情况。首先，用滑动时间窗将脑电信号划分为多个时间片，用皮尔逊相关系数计算各通道之间的关联关系，构建脑功能网络；然后，用Louvain算法对脑功能网络进行社区划分，得到脑网络的模块化结构，并在脑网络模块化结构的基础上计算网络属性，包括全局属性、局部属性和模块度，并将每个时间片的特征一起组成脑电信号的动态图指标；最后，将动态图指标作为特征进行情感识别。标作为特征进行情感识别。标作为特征进行情感识别。

【技术实现步骤摘要】
一种基于脑网络集成与分离的动态图指标的情感识别方法


[0001]本专利技术涉及情感识别领域，尤其涉及一种基于脑网络集成与分离的动态图指标的情感识别方法。

技术介绍

[0002]近年来人工智能的发展带动了脑科学、神经科学和信息科学等领域的飞速发展，与此同时脑机接口技术成为了新兴的研究热点，人类对于大脑的认知也取得了突破性进展；情感是由人类意识产生的一种自然生理反应，在人机交互中有着非常重要的作用；情感识别涉及到多个科学领域，比如神经科学、心理学、计算机科学和生理学等；情感识别在医疗领域、安全驾驶领域、军事领域以及教育领域都具有重要的应用价值；研究者可以及时获取到人们的情感状态，对人们的行为或状态进行预判，并给予相应的反馈或预警措施，这在一定程度上提高了工作效率；因此，情感识别越来越成为一项重要的研究课题；常见的情感识别方法可以分为两类：一是基于非生理信号的，比如面部表情、语音和行为等；二是基于生理信号的，比如脑电、心电、眼电和肌电等；由于面部表情和行为容易伪装，因此基于生理信号的情感识别在实际应用中拥有较高的可信度。
[0003]在情感识别的研究中，传统解剖方法在对大脑各部分之间协作关系的研究上具有很大的局限性；近年来，非侵入式的大脑信号采集技术的发展改变了这种局限性；目前，功能性神经成像技术就可以较好的记录大脑中与情感变化相关的信息，比如脑磁图、脑电图、磁共振成像等；在众多的生理信号中，脑电信号被视为度量神经活动产生信号的关键指标，它能够真实的反应与脑功能活动有关的时空信息；脑电信号存在于中枢神经系统，直接从大脑皮层捕获，具有采集方便、时间分辨率高等优点，有利于反应人的心理变化情况；此外，随着近年来干电极技术和脑电信号处理技术的快速发展，脑电信号已经成为了情感识别的研究热点。
[0004]近年来研究发现，大脑受到刺激产生情感时会有多个脑区被激活，这些脑区之间相互作用以实现信息传递；由此看来，想要深入了解大脑以及情感的产生机制，需要进一步研究脑网络的形成和变化规律；目前采用静态脑网络的研究已经有了初步的成果，可以通过静态脑网络的分析识别出不同类型情感；然而，人脑在进行高级认知和行为活动的信息加工时，脑网络的整体结构和内部各区域结构一直处于动态的变化过程中；用静态网络表示时变的功能连接，会丢失脑电信号重要的时间信息；因此，为了研究大脑功能连通性的动态变化以及变化过程中各个脑区之间的模块化结构，需要更全面的指标来描述时变的大脑拓扑特征。

技术实现思路

[0005]针对上述情况，本专利技术提出一种基于脑网络集成与分离的动态图指标的情感识别方法，弥补了静态脑网络的分析无法有效的反应大脑网络结构随时间动态变化的情况这一不足，更好的反映了情感变化过程中大脑各个模块之间的关联关系以及单个模块内部连接
的变化情况；进而提高情感识别准确率，为基于脑电的情感识别的研究提供一种更好的方法。
[0006]本专利技术所述的一种基于脑网络集成与分离的动态图指标的情感识别方法，技术方案包括以下步骤：
[0007]步骤1：对原始脑电数据进行预处理，用滑动时间窗算法将脑电信号划分为多个时间片；
[0008]步骤2：在每个脑电信号时间片上，用皮尔逊相关系数计算各通道间的关联关系，构建脑功能网络；
[0009]步骤3：用Louvain算法对脑功能网络进行社区划分，得到脑网络的模块化结构；
[0010]步骤4：在脑网络模块化结构的基础上计算网络属性，包括全局属性(平均最短路径长度、全局效率)、局部属性(聚类系数、局部效率、节点度)和模块度，并将每个时间片的特征一起组成脑电信号的动态图指标；
[0011]步骤5：将动态图指标作为特征，同时也是训练数据集，选择一种分类算法进行模型的训练；
[0012]步骤6：用分类算法对未知特征数据集进行处理，得到不同情感状态的识别结果。
[0013]所述步骤3和步骤4，用Louvain算法对脑功能网络进行社区划分，得到脑网络的模块化结构，在模块化结构的基础上计算网络属性，包括全局属性(平均最短路径长度、全局效率)、局部属性(聚类系数、局部效率、节点度)和模块度，并将每个时间片的特征一起组成脑电信号的动态图指标；有效的反应了情感变化过程中大脑各个模块之间的关联关系以及单个模块内部连接的变化情况。
[0014]重点的算法过程如下：
[0015](1)构建脑网络模块化结构Louvain算法主要分为两个阶段；将网络中每个节点视为一个独立的社区，并对社区进行编号。对每一个节点i，尝试将i与其相邻的节点j进行合并，并计算合并后的模块度增量ΔQ；如果ΔQ＞0，则进行合并，即将节点i和j合并到同一个社区；如果ΔQ＜0，则保持原来的结构不变；
[0016]模块度增量ΔQ公式如下：
[0017]为了计算的方便，可以将上式进一步化简为：其中k
i
，k
j
分别表示节点i和j的度，m为网络中总边数；
[0018]重复该过程，直到所有节点不再移动为止，此时第一阶段完成；在第一阶段稳定的社区结构之上，将每个社区整体当作一个新节点；然后对社区内部的节点进一步压缩，节点之间连接的权值由内部结构重新决定，得到新的网络结构；之后再重复第一阶段，直到局部模块度最大的社区出现为止；
[0019]计算模块度的表达式如下：
其中k
j
为节点j的度，为节点j与其他节点间存在边的概率，为节点i和j之间的边数，A
ij
＝0表示i和j无边相连，A
ij
＝1表示i和j有边相连；C表示节点的社区划分情况，即社区划分的质量，其值越接近1，表示划分质量越高。
[0020]模块度Q的表达式也可以写成：其中∑in为社区C内部所有边权值之和，∑tot为社区C内部节点相连的边的权值之和。
[0021]Louvain算法的具体步骤如下：
[0022]Step1：将网络中的每个节点都当做一个独立的社区；
[0023]Step2：对每一个节点i，尝试将i与其相邻的节点j进行合并，将两个节点的独立社区合并为一个新社区，并计算合并后的模块度增量ΔQ；如果ΔQ＞0，则进行合并，即将节点i和节点j合并到同一个社区；如果ΔQ＜0，则保持原来的结构不变；
[0024]Step3：循环执行Step2，当节点的社区结构不再改变时退出循环；
[0025]Step4：对当前形成社区结构的网络进行压缩，同一个社区中的所有节点被压缩为一个新的节点，同一个社区内部节点之间的权值之和成为新节点自环边上的权值，原来社区之间的连接权值成为新节点之间边的权值。
[0026]Step5：循环执行Step1和Step2，当整个网络的模块度不再改变为止。
[0027]用Louvain算法对每个时间窗的脑功能网络进行社区划分；根据脑网络节点之间的连接情况，将网络中的节点划分到不同的区域中，即形成模块化结构的脑网络。
[0028](2)构建动态图指标
[0029]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脑网络集成与分离的动态图指标的情感识别方法，包括以下步骤：步骤1：对原始脑电数据进行预处理，用滑动时间窗算法将脑电信号划分为多个时间片；步骤2：在每个脑电信号时间片上，用皮尔逊相关系数计算各通道之间的关联关系，构建脑功能网络；步骤3：用Louvain算法对脑功能网络进行社区划分，得到脑网络的模块化结构；步骤4：在脑网络模块化结构的基础上计算网络属性，包括全局属性(平均最短路径长度、全局效率)、局部属性(聚类系数、局部效率、节点度)和模块度，并将每个时间片的特征一起组成脑电信号的动态图指标；步骤5：将动态图指标作为特征，同时也是训练数据集，选择一种分类算法进行模型的训练；步骤6：用分类算法对未知特征数据集进行处理，得到不同情感状态的识别结果。2.如权利要求1所述的一种基于脑网络集成与分离的动态图指标的情感识别方法，其特征在于：所述步骤3，用Louvain算法对脑功能网络进行社区划分，得到脑网络的模块化结构，具体的算法过程如下：Louvain算法主要分为两个阶段：将网络中每个节点视为一个独立的社区，并对社区进行编号；对每一个节点i，尝试将i与其相邻的节点j进行合并，并计算合并后的模块度增量ΔQ；如果ΔQ＞0，则进行合并，即将节点i和j合并到同一个社区；如果ΔQ＜0，则保持原来的结构不变；模块度增量ΔQ公式如下：为了计算的方便，可以将上式进一步化简为：其中k
i
，k
j
分别表示节点i和j的度，m为网络中总边数；重复该过程，直到所有节点不再移动为止，此时第一阶段完成；在第一阶段稳定的社区结构之上，将每个社区整体当作一个新节点；然后对社区内部的节点进一步压缩，节点之间连接的权值由内部结构重新决定，得到新的网络结构；之后再重复第一阶段，直到局部模块度最大的社区出现为止；计算模块度的表达式如下：计算模块度的表达式如下：其中k
j
为节点j的度，为节点j与其他节点间存在边的概率，
为节点i和j之间的边数，A
ij
＝0表示i和j无边相连，A
ij
＝1表示i和j有边相连；C表示节点的社区划分情况，即社区划分的质量，其值越接近1，表示划分质量越高；所以模块度Q的表达式也可以写成：其中∑in为社区C内部所有边权值之和，∑tot为社区C内部节点相连的边的权值之和；Louvain算法的具体步骤如下：Step1：将网络中的每个节点都当作一个独立的社区；Step2：对每一个节点i，尝试将i与其相邻的节点j进行合并，将两个节点的独立社区合并为一个新社区，并计算合并后的模块度增量ΔQ；如果ΔQ＞0，则进行合并，即将节点i和节点j合...

【专利技术属性】
技术研发人员：梁琛，王忠民，张嘉雯，衡霞，张洁，贺炎，范琳，王文浪，张荣，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：