基于时间频率的EEG特征提取和情感识别方法及系

本发明涉及脑电信号处理，尤其涉及基于时间频率的eeg特征提取和情感识别方法及系统。背景技术：1、近年来，便携式和可穿戴的脑电信号（eeg）采集设备广泛普及，这些设备在医疗诊断、脑机接口人机交互、心理健康监测和神经反馈治疗等多个领域有着重要应用。与在临床诊断和研究领域使用的高精度多通道eeg设备（通常采集到上百个信号通道的数据）相比，可穿戴式的eeg设备只能处理和采集到有限的信号通道。然而，使用这些设备获取的数量较少但规模适中的eeg数据进行如情绪识别等任务具有巨大的应用潜力。与大规模多通道数据集相比，少通道eeg只包含有限的通道间信息，因此如何深入挖掘每个通道内的信息变得尤为重要。2、现有技术通常采用将微分熵和功率谱密度作为情感分类的特征输入，利用多通道的eeg数据中的空间分辨率构建包含图结构的神经网络模型，对eeg数据的情感进行识别。然而，现有技术的微分熵特征丢失了数据中的时间维度，因此会造成情感识别准确性不足的问题。3、因此，亟需基于时间频率的eeg特征提取和情感识别方法及系统，能够增强脑电信号的特征提取效果，从而提高情感识别的准确性。技术实现思路1、为了解决上述技术问题，本发明提供了基于时间频率的eeg特征提取和情感识别方法及系统，能够增强脑电信号的特征提取，从而提高情感识别的准确性。2、本发明提供了基于时间频率的eeg特征提取和情感识别方法，包括如下步骤：3、s1、采集待测脑电信号；待测脑电信号由n个通道信号组成；4、s2、分别确定每个通道信号中的待分类样本片段；5、s3、根据滑动窗口确定待分类样本片段的时间维度t，根据频段特征数确定待分类样本片段的频域维度b；6、s4、根据时间维度t将待分类样本片段划分为t个时间片段，根据频域维度b将待分类样本片段中每个时间片段包含的脑电信号划分为b个频段；7、s5、计算待分类样本片段中每个时间片段包含的脑电信号在每个频段下的微分熵作为待分类样本片段的一个情感表征；8、s6、根据待分类样本片段的情感表征、待分类样本片段的情感表征对应的时间片段和频段，得到待分类样本片段的时间维度特征矩阵；9、s7、将n个时间维度特征矩阵同时输入预训练的深度学习分类模型，对待测脑电信号的情感进行识别。10、进一步的，s3，根据滑动窗口确定待分类样本片段的时间维度t，计算公式如下：11、；12、其中，t表示时间维度，k表示滑动窗口的窗口宽度，step表示滑动窗口的滑动步长，l表示待分类样本片段的总长度。13、进一步的，s3，根据频段特征数确定待分类样本片段的频域维度b包括：14、根据δ频段、θ频段、ɑ频段、β频段和γ频段，将待分类样本片段中的脑电信号划分为5个频段，即频段特征数为5，频域维度b=5。15、进一步的，δ频段对应的频率范围为1hz~3hz，θ频段对应的频率范围为4hz~7hz，ɑ频段对应的频率范围为8hz~13hz，β频段对应的频率范围为14hz~30hz，γ频段对应的频率范围为31hz~50hz。16、进一步的，s4，根据时间维度t将待分类样本片段划分为t个时间片段，根据频域维度b将待分类样本片段中每个时间片段包含的脑电信号划分为b个频段之后，还包括：17、将频率大于50hz的脑电信号剔除。18、进一步的，s5，计算待分类样本片段中每个时间片段包含的脑电信号在每个频段下的微分熵作为待分类样本片段的一个情感表征包括：19、假定待分类样本片段中每个时间片段包含的脑电信号中的时间信号x服从正态分布，则情感表征的计算公式如下：20、；21、其中，μ表示正态分布的平均值，σ表示正态分布的标准差，xtb表示在第t个时间片段、第b个频段下的脑电信号包含的时间信号，t表示第t个时间片段，t={1,2,...,t}，b表示第b个频段，b={1,2,...,b}，b个频段依次为δ频段、θ频段、ɑ频段、β频段和γ频段，de(xtb)表示在第t个时间片段、第b个频段下的脑电信号包含的时间信号的微分熵，detb即该微分熵对应的情感表征。22、进一步的，s6，根据待分类样本片段的情感表征、待分类样本片段的情感表征对应的时间片段和频段，得到待分类样本片段的时间维度特征矩阵，其中，时间维度特征矩阵如下所示：23、;24、其中，matde,i表示第i个待分类样本片段的时间维度特征矩阵，i=1,2,...,n。25、本发明还提供了基于时间频率的eeg特征提取和情感识别系统，用于执行上述任一项所述的基于时间频率的eeg特征提取和情感识别方法，系统包括以下模块：26、信号采集模块，用于采集待测脑电信号；待测脑电信号由n个通道信号组成；27、样本片段处理模块，与信号采集模块连接，用于分别确定每个通道信号中的待分类样本片段；用于根据滑动窗口确定待分类样本片段的时间维度t，根据频段特征数确定待分类样本片段的频域维度b；还用于根据时间维度t将待分类样本片段划分为t个时间片段，根据频域维度b将待分类样本片段中每个时间片段包含的脑电信号划分为b个频段；28、情感表征计算模块，与样本片段处理模块连接，用于计算待分类样本片段中每个时间片段包含的脑电信号在每个频段下的微分熵作为待分类样本片段的一个情感表征；29、特征提取模块，与情感表征计算模块连接，用于根据待分类样本片段的情感表征、待分类样本片段的情感表征对应的时间片段和频段，得到待分类样本片段的时间维度特征矩阵；30、识别模块，与特征提取模块连接，用于将n个时间维度特征矩阵同时输入预训练的深度学习分类模型，对待测脑电信号的情感进行识别。31、本发明实施例具有以下技术效果：32、本发明通过采用滑动窗口技术，不仅捕捉了频域特征，还有效利用了时序特征，在时间维度上提取eeg信号的情感相关特征，结合时间和频域的二维特征矩阵能提供更丰富的情感表征，增强了模型对情感状态的识别能力，本发明还构建了动态的时间维度特征矩阵，为深度学习模型提供了更全面的输入，增强了模型对情感变化的捕捉能力，显著提升了深度学习方法在情感识别任务上的准确性；33、此外，本发明计算资源需求小，算法轻量级，可以适用于可穿戴式eeg设备的情感分析，即使在少通道信号数据上也能展现良好的识别性能。技术特征：1.基于时间频率的eeg特征提取和情感识别方法，其特征在于，包括如下步骤：2.根据权利要求1所述的基于时间频率的eeg特征提取和情感识别方法，其特征在于，所述s3，根据滑动窗口确定所述待分类样本片段的时间维度t，计算公式如下：3.根据权利要求2所述的基于时间频率的eeg特征提取和情感识别方法，其特征在于，所述s3，根据频段特征数确定所述待分类样本片段的频域维度b包括：4.根据权利要求3所述的基于时间频率的eeg特征提取和情感识别方法，其特征在于，所述δ频段对应的频率范围为1hz~3hz，所述θ频段对应的频率范围为4hz~7hz，所述ɑ频段对应的频率范围为8hz~13hz，所述β频段对应的频率范围为14hz~30hz，所述γ频段对应的频率范围为31hz~50hz。5.根据权利要求4所述的基于时间频率的eeg特征提取和情感识别方法，其特征在于，所述s4，根据所述时间维度t将所述待分类样本片段划分为t个时间片段，根据所述频域维度b将所述待分类样本片段中每个时间片段包含的脑电信号划分为b个频段之后，还包括：6.根据权利要求5所述的基于时间频率的eeg特征提取和情感识别方法，其特征在于，所述s5，计算所述待分类样本片段中每个时间片段包含的脑电信号在每个频段下的微分熵作为所述待分类样本片段的一个情感表征包括：7.根据权利要求6所述的基于时间频率的eeg特征提取和情感识别方法，其特征在于，所述s6，根据所述待分类样本片段的情感表征、所述待分类样本片段的情感表征对应的时间片段和频段，得到所述待分类样本片段的时间维度特征矩阵，其中，所述时间维度特征矩阵如下所示：8.基于时间频率的eeg特征提取和情感识别系统，用于执行上述权利要求1-7任一项所述的基于时间频率的eeg特征提取和情感识别方法，其特征在于，系统包括以下模块：技术总结本发明涉及脑电信号处理技术领域，公开了基于时间频率的EEG特征提取和情感识别方法及系统，方法包括：采集待测脑电信号；确定待分类样本片段；确定待分类样本片段的时间维度和频域维度；根据时间维度将待分类样本片段划分为T个时间片段，根据频域维度将待分类样本片段中每个时间片段包含的脑电信号划分为B个频段；计算待分类样本片段的情感表征；根据待分类样本片段的情感表征得到待分类样本片段的时间维度特征矩阵；将时间维度特征矩阵输入预训练的深度学习分类模型，对待测脑电信号的情感进行识别。本发明基于时间频率的EEG特征提取和情感识别方法及系统，能够增强脑电信号的特征提取效果，从而提高情感识别的准确性。技术研发人员：高扬,汪辉,沈倩倩,姜煜飞,王海帅受保护的技术使用者：杭州心智医联科技有限公司技术研发日：技术公布日：2024/8/15