基于自适应数据结构优化的脑电信号情绪识别系

本发明涉及情绪识别，尤其涉及一种基于自适应数据结构优化的脑电信号情绪识别系统。背景技术：1、情绪是人类涉及认知和意识的复杂状态，在社会和日常生活中发挥着至关重要的作用。积极情绪对人类有有益影响，而消极情绪则可能产生有害影响。例如抑郁症，会严重影响身心健康。情绪的准确识别在人机交互、健康管理、情感计算等领域具有重要意义。情绪识别已成为智能医疗领域的一个关键研究热点。在情绪识别研究领域，识别方法可以大致分为基于生理信号的情绪识别和基于非生理信号的情绪识别。生理信号由于主观上无法控制，可以更准确地反映真实的情绪状态。在这些生理信号中，脑电信号(electroencephalogram，eeg)作为一种不易操纵的非侵入性信号脱颖而出，在情绪识别研究中具有广阔的应用前景。2、xu等人在论文“subject-independent eeg emotion recognition with hybridspatio-temporal gru-conv architecture”中提出了一种新颖的名为gru-conv情绪分类方法。gru-conv首先利用门控循环单元(gated recurrent unit，gru)捕获多维时间特征，然后使用卷积神经网络(convolutional neural network，cnn)从获得的时间特征中进一步提取空间信息，从而提高脑电分类的准确率。但是gru-conv没有关注电极通道结构的合理性，使用cnn提取特征前通道的顺序没有进行合理调整，且时空信息无法获得同时提取。技术实现思路1、为此，本发明实施例提供了一种基于自适应数据结构优化的脑电信号情绪识别系统，用于解决现有技术中现有情绪分类方法对情绪的识别准确率低的问题。2、为了解决上述问题，本发明实施例提供一种基于自适应数据结构优化的脑电信号情绪识别系统，该系统包括：3、数据预处理模块，用于对采集的脑电信号数据进行预处理，得到脑电信号对集合；4、数据结构优化模块，与所述数据预处理模块连接，用于对脑电信号对集合中的信号进行时变的电极排序，对脑电信号数据结构进行优化，得到优化后的脑电信号数据；5、特征提取模块，与所述数据结构优化模块连接，用于同时提取优化后的脑电信号数据中的重要时间、空间和频率特征；6、分类模块，与所述特征提取模块连接，用于对所述特征提取模块提取的特征进行处理，得到每类情绪的概率，最大概率值对应的情绪即为预测的情绪类别。7、优选地，所述脑电信号对集合表示为：8、9、式中，表示第j个信号，表示实数矩阵的集合；yj∈{1，…，c}为xj的情绪标签，c为情绪标签数量；m为电极数；n为信号序列长度；5表示信号有5个频段，依次为δ、θ、α、β和γ频带；m为信号对数。10、优选地，所述对脑电信号对集合中的信号进行时变的电极排序，对脑电信号数据结构进行优化，得到优化后的脑电信号数据，具体包括：11、首先计算信号的关联性矩阵rj；12、然后对关联性矩阵的每行元素按照降序进行排序，并获得排列后相应的位置索引lj；13、接着根据排序后的位置索引lj，制定电极重排规则，得到重排位置索引l′j；14、最后根据电极重排规则，对电极重新排序，得到优化后的脑电信号数据sj。15、优选地，所述关联性矩阵rj表示为：16、17、其中18、19、式中，是自适应关联性矩阵；是公共关联性矩阵；表示自适应关联性矩阵的第k行、q列元素；向量是矩阵ej的第k行，是xj的重排；向量为是矩阵ej的第q行；||·||表示2范数；(·)t表示转置；表示实数矩阵的集合。20、优选地，所述重排位置索引l′j定义如下：21、22、式中，2|i表示i能被2整除；表示下取整函数；lj(k，i)表示在矩阵rj的第k行上排序为第i的元素位置，也就是与第k个电极的关联程度排序为第i的电极位置；m为电极数。23、优选地，优化后的脑电信号数据sj表示为：24、25、式中，是以第k个电极为中心重新排序的信号，k＝1，…，m，m为电极数；concat(·)表示对数据的连接操作；表示实数矩阵的集合。26、优选地，所述特征提取模块由三组3d卷积注意力模块组成，所述3d卷积注意力模块由通道注意力机制、3d-cnn层、层归一化层、leakyrelu激活函数和dropout层构成。27、优选地，所述特征提取模块由三组3d卷积注意力模块组成，具体包括：28、在第一组3d卷积注意力模块中，通道注意力机制的mlp神经元个数设置为3d-cnn层中使用了64个大小为的卷积核，其中步长设置为(2，2，1)，补零设置为(1，1，0)，输出数据维度变为其中m为电极数；n为信号序列长度；29、在第二组3d卷积注意力模块中，通道注意力机制的mlp神经元个数设置为4，3d-cnn层使用了128个大小为的卷积核，其中步长设置为(2，2，1)，补零设置为(1，1，1)，输出数据维度变为30、在第三组3d卷积注意力模块中，通道注意力机制的mlp神经元的个数设置为8，3d-cnn层使用了256个大小为的卷积核，其中步长设置为(2，2，1)，补零设置为(1，1，1)，输出数据维度变为31、优选地，所述特征提取模块提取的特征fj表示为：32、33、其中，m为电极数；n为信号序列长度；表示实数矩阵的集合。34、优选地，对所述特征提取模块提取的特征进行处理，得到每类情绪的概率，最大概率值对应的情绪即为预测的情绪类别，具体包括：35、首先将特征提取模块提取的特征fj展平拉长；然后将其输入线性层，线性层中神经元的个数等于要分类的情绪类别数；最后利用softmax函数对特征进行处理，得到每类情绪的概率，最大概率值对应的情绪即为预测的情绪类别。36、从以上技术方案可以看出，本发明申请具有以下有益效果：37、本发明实施例提供了一种基于自适应数据结构优化的脑电信号情绪识别系统，包括数据预处理模块、数据结构优化模块、特征提取模块以及分类模块。数据预处理模块能够迅速而准确地处理采集到的脑电信号数据，有效地去除噪声、滤波等，为后续的脑电信号分析提供高质量的数据基础。预处理后的脑电信号对集合更加清晰、准确，有利于提高后续分析的精确性。通过数据结构优化模块对脑电信号进行时变的电极排序，优化了脑电信号的数据结构，以便进行特征提取。这种优化能够显著提高数据分析的效率，减少计算量，同时保证分析的准确性。特征提取模块能够同时提取优化后的脑电信号数据中的重要时间、空间和频率特征，这种多维度的特征提取方式能够更全面地反映脑电信号的特性，为后续的情绪分类提供更加全面、准确的信息。分类模块通过对提取的特征进行处理，能够准确地预测出每类情绪的概率，并确定最大概率值对应的情绪类别。这种分类方式既考虑了脑电信号的特性，又结合了机器学习算法的优势，使得情绪分类的准确性和可靠性得到了显著提高。