一种用于情感分类的类脑正负反馈回声状态网络设计方法技术

本发明专利技术公开了一种用于情感分类的类脑正负反馈回声状态网络方法

【技术实现步骤摘要】
一种用于情感分类的类脑正负反馈回声状态网络设计方法


[0001]本专利技术涉及机器学习和神经网络
，具体涉及为一种用于情感分类的类脑正负反馈回声状态网络设计方法
。

技术介绍

[0002]脑电图
(EEG)
是一种用于测量大脑活动的技术
。
它依赖于头皮上的电极来捕获大脑神经元的电活动
。
这种信号被广泛应用于神经科学
、
医学以及最近在人机交互和情感识别等领域的研究
。
[0003]循环神经网络
(RNN)
是一种深度学习结构，专门设计用于处理序列数据
。
与传统的前馈神经网络相比，
RNN
具有记忆能力，可以存储之前时间点的信息
。
这使其特别适用于处理如文本
、
语音或时间序列等数据
。
[0004]回声状态网络
(ESN)
是一种特殊类型的
RNN
，它具有大量的隐藏神经元，但其权重是随机的并保持不变
。
仅输出权重在训练期间进行调整
。
这种结构使得
ESN
能够捕捉复杂的时间模式，同时避免了传统
RNN
中的一些训练问题，例如长时依赖问题
。
[0005]情感识别和情感分析的研究在当今社会中日益显示出其重要性
。
随着人机交互的不断增加，了解和准确地响应用户的情绪和情感变得至关重要
。
这不仅可以提高用户体验，还能在诸如健康监测
、
个性化广告
、
教育以及心理健康辅导等多个领域中找到应用
。
近年来，深度学习技术和神经网络方法快速发展，现有的模型逐步可以实现识别和分析人类的情感和情绪，特别是在脑电图
(EEG)
信号处理方面，循环神经网络
(RNN)
及其衍生技术已经展示了其在识别和分类情感状态方面的能力
。
这为我们提供了一种从脑电信号中实时捕获用户情绪的可能性
。
[0006]然而，尽管这些技术在某些应用中取得了成功，但它们也存在一些明显的局限性：
[0007]前馈设计的缺陷：例如卷积神经网络
(CNN)
的前馈设计，在处理复杂的长距离时间模式时效率较低，因为它们无法记住长序列中的信息
。
[0008]资源要求高：现有的深度学习方法，特别是大型神经网络，需要大量的参数
。
这导致训练周期长
、
算力消耗大，使得这些模型不适合直接嵌入到可穿戴设备中进行实时计算
。
[0009]复杂的训练流程：大部分深度学习模型需要额外的训练程序
。
这不仅使得模型训练变得复杂，而且在部署时也需要更多的计算资源
。
[0010]故此，研究设计一种科学合理的回声状态网络
(ESN)
方法应用于情感识别和分析分类中以克服所遭遇的技术挑战和局限性，显得尤为重要
。

技术实现思路

[0011]本专利技术的目的在于提供一种用于情感分类的类脑正负反馈回声状态网络设计方法，以解决上述的问题
。
[0012]为实现上述目的，本专利技术提供如下技术方案：一种用于情感分类的类脑正负反馈回声状态网络设计方法，其特征在于，包含以下步骤：
[0013]S1,
获取并预处理多模态情感分析数据集，识别所述多模态情感分析数据集的关键特征和标签；通过筛选所述关键特征对所述多模态情感分析数据集进行目标数据提取；通过筛选所述标签对所述多模态情感分析数据集进行所述目标数据初步分类；采用五折交叉验证法对所述目标数据进行训练集和测试集划分；
[0014]S2,
构建具有类脑回声状态网络结构的储备池，类脑回声状态网络由输入层
、
储备池和输出层组成，所述储备池由若干神经元节点组成，所述神经元节点之间通过回路结构交互反馈数据，所述回路结构包括负反馈
、
正反馈
、
正负反馈；
[0015]S3,
分别对负反馈
、
正反馈的反馈比例和反馈权重参数寻优，输入负反馈若干反馈比例和反馈权重参数组合一，采用五折交叉验证法对所述参数组合一进行评估获得准确率结果一
,
将所述准确率结果一作为分类性能评价指标一
,
再将所述准确率结果一经过三次重复取均值求得平均准确率最高的负反馈的反馈比例和反馈权重最优参数一；输入正反馈若干反馈比例和反馈权重参数组合二，采用五折交叉验证法对所述参数组合二进行评估获得准确率结果二
,
将所述准确率结果二作为分类性能评价指标二
,
再将所述准确率结果二经过三次重复取均值求得平均准确率最高的负反馈的反馈比例和反馈权重最优参数二；
[0016]S4,
优化调节正反馈和负反馈比例，设置所述正反馈和所述负反馈比例之和为1，即所述储备池中所述神经元节点间的所述回路结构均设置为反馈结构；
[0017]S5,
对正负反馈的反馈比例和反馈权重参数分别寻优，输入若干负反馈比例参数，由于所述正反馈和所述负反馈比例之和设置为1，进而可求得当二者比例之和为1时，所述负反馈比例对应的正反馈比例，将所述负反馈比例和其对应的所述正反馈比例组成比例参数组合三，采用五折交叉验证法对所述参数组合三进行评估获得准确率结果三
,
将所述准确率结果三作为分类性能评价指标三
,
再将所述准确率结果三经过三次重复取均值求得平均准确率最高的正负反馈的反馈比例最优比例参数三；输入正反馈权值和负反馈权值并组成若干权值参数组合三，并根据最优比例参数三设置正反馈比例和负反馈比例，采用五折交叉验证法对所述权值参数组合三进行评估获得准确率结果三
,
将所述准确率结果三作为分类性能评价指标三
,
再将所述准确率结果三经过三次重复取均值求得平均准确率最高的正负反馈的反馈权重最优权重参数三；所述最优比例参数三和最优权重参数三构成正负反馈最优的反馈比例和反馈权重参数；
[0018]S6,
利用类脑回声状态网络分别对训练集和测试集的目标数据进行处理，初始化类脑回声状态网络，基于使用最优参数一的负反馈模型
、
使用最优参数二的正反馈模型和使用所述最优比例参数三和最优权重参数三构成的正负反馈模型分别对输入所述类脑回声状态网络的所述训练集的目标数据进行训练处理，当模型训练完成后，再次利用使用最优参数的所述负反馈模型
、
正反馈模型和正负反馈模型分别处理所述测试集的目标数据，处理获得所述测试集的目标数据的准确率结果用于作为所述训练集的目标数据训练处理的分类性能评价指标四；
[0019]S7.
评价分类结果并输出最优参数结果，根据所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于情感分类的类脑正负反馈回声状态网络设计方法，其特征在于，包括以下步骤：
S1,
获取并预处理多模态情感分析数据集，识别所述多模态情感分析数据集的关键特征和标签；通过筛选所述关键特征对所述多模态情感分析数据集进行目标数据提取；通过筛选所述标签对所述多模态情感分析数据集进行所述目标数据初步分类；采用五折交叉验证法对所述目标数据进行训练集和测试集划分；
S2,
构建具有类脑回声状态网络结构的储备池，类脑回声状态网络由输入层
、
储备池和输出层组成，所述储备池由若干神经元节点组成，所述神经元节点之间通过回路结构交互反馈数据，所述回路结构包括负反馈
、
正反馈
、
正负反馈；
S3,
分别对负反馈
、
正反馈的反馈比例和反馈权重参数寻优，输入负反馈若干反馈比例和反馈权重参数组合一，采用五折交叉验证法对所述参数组合一进行评估获得准确率结果一
,
将所述准确率结果一作为分类性能评价指标一
,
再将所述准确率结果一经过三次重复取均值求得平均准确率最高的负反馈的反馈比例和反馈权重最优参数一；输入正反馈若干反馈比例和反馈权重参数组合二，采用五折交叉验证法对所述参数组合二进行评估获得准确率结果二
,
将所述准确率结果二作为分类性能评价指标二
,
再将所述准确率结果二经过三次重复取均值求得平均准确率最高的负反馈的反馈比例和反馈权重最优参数二；
S4,
优化调节正反馈和负反馈比例，设置所述正反馈和所述负反馈比例之和为1，即所述储备池中所述神经元节点间的所述回路结构均设置为反馈结构
S5,
对正负反馈的反馈比例和反馈权重参数分别寻优，输入若干负反馈比例参数，由于所述正反馈和所述负反馈比例之和设置为1，进而可求得当二者比例之和为1时，所述负反馈比例对应的正反馈比例，将所述负反馈比例和其对应的所述正反馈比例组成比例参数组合三，采用五折交叉验证法对所述参数组合三进行评估获得准确率结果三
,
将所述准确率结果三作为分类性能评价指标三
,
再将所述准确率结果三经过三次重复取均值求得平均准确率最高的正负反馈的反馈比例最优比例参数三；输入正反馈权值和负反馈权值并组成若干权值参数组合三，并根据最优比例参数三设置正反馈比例和负反馈比例，采用五折交叉验证法对所述权值参数组合三进行评估获得准确率结果三
,
将所述准确率结果三作为分类性能评价指标三
,
再将所述准确率结果三经过三次重复取均值求得平均准确率最高的正负反馈的反馈权重最优权重参数三；所述最优比例参数三和最优权重参数三构成正负反馈最优的反馈比例和反馈权重参数；
S6,
利用类脑回声状态网络分别对训练集和测试集的目标数据进行处理，初始化类脑回声状态网络，基于使用最优参数一的负反馈模型
、
使用最优参数二的正反馈模型和使用所述最优比例参数三和最优权重参数三构成的正负反馈模型分别对输入所述类脑回声状态网络的所述训练集的目标数据进行训练处理，当模型训练完成后，再次利用使用最优参数的所述负反馈模型
、
正反馈模型和正负反馈模型分别处理所述测试集的目标数据，处理获得所述测试集的目标数据的准确率结果用于作为所述训练集的目标数据训练处理的分类性能评价指标四；
S7.
评价分类结果并输出最优参数结果，根据所述分类性能评价指标一
、
分类性能评价指标二
、
分类性能评价指标三
、
分类性能评价指标四的准确率评价多模态情感分析数据的情感分类结果并分别输出类脑回声状态网络中负反馈
、
正反馈
、
正负反馈模型最优参数
。
2.
根据权利要求1所述的用于情感分类的类脑正负反馈回声状态网络设计方法，其特征在于，所述目标数据输入所述储备池后，根据构建的所述负反馈模型
、
正反馈模型和正负反馈模型分别进行训练及记忆
。3.
根据权利要求1所述的用于情感分类的类脑正负反馈回声状态网络设计方法，其特征在于，在
S2
步骤中，还包括：对所述储备池的神经元个数
、
谱半径
、
稀疏度进行预先设定，所述神经元个数优选设定值为
600
，谱半径优选设定值为
0.85
，所述稀疏度优选设定值为
0.3。4.
根据权利要求3所述的用于情感分类的类脑正负反馈回声状态网络设计方法，其特征在于，在
S5
步骤中，具体包括：预先设定所述比例参数组合三中所述正反馈比例和所述负反馈比例优选设置为
75
％和
25
...

【专利技术属性】
技术研发人员：王俊松，张子权，杨柳奕，王国宇，
申请(专利权)人：深圳技术大学，
类型：发明
国别省市：