公开(公告)号：CN113128552A

公开(公告)日：2021-07-16

申请号：CN202110231114.7

申请日：2021-03-02

Applicant: 杭州电子科技大学

Inventor： 孔万增 ,  仇敏 ,  张建海

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  A61B5/16 ,  A61B5/372

Abstract: 本发明公开了一种基于深度可分离因果图卷积网络的脑电情绪识别方法。现有用于识别脑电情绪的神经网络缺乏通道间定向功能性关系的考虑。本发明如下：一、采集被测者的脑电数据。二、构建邻接矩阵。三、计算脑电数据对应的正则化拉普拉斯矩阵。四、利用深度可分离因果图卷积模型进行特征提取和情绪分类。本发明采用格兰杰因果关系对EEG信号通道间的关系进行建模，构建出一个有向的非对称矩阵，充分考虑了通道间的因果关系，与真实的脑电信号产生情况一致，故能够有效提高情绪类型识别的准确率。此外，本发明采用深度可分离卷积充分提取了脑电数据中的局部特征，从而进一步提高了分类准确率。

公开(公告)号：CN115392302A

公开(公告)日：2022-11-25

申请号：CN202210974787.6

申请日：2022-08-15

Applicant: 杭州电子科技大学

Inventor： 孔万增 ,  李孟航 ,  仇敏 ,  戴玮辰 ,  张建海

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于融合图卷积网络的脑电情绪识别方法；该脑电情绪识别方法如下：一、对被测对象进行脑电采集，提取所得脑电信号中各通道的目标特征，作为被识别数据。二、根据步骤一得到的被识别数据，计算两个通道之间的物理信息矩阵、相关性矩阵、因果关系矩阵。三、构建邻接矩阵。四、构建正则化矩阵。五、对目标特征和正则化矩阵L进行图卷积操作，完成特征提取。六、将步骤五所得特征输入经过训练的深度可分离卷积网络，所得特征图输入全连接层，进行分类，得到被测对象进行脑电采集时的情感类别。本发明对图卷积的邻接矩阵做融合处理，使邻接矩阵包含多元化的信息，而不再是仅拥有单一的信息，进一步提高了模型情绪分类的准确率。

公开(公告)号：CN113128552B

公开(公告)日：2024-02-02

申请号：CN202110231114.7

申请日：2021-03-02

Applicant: 杭州电子科技大学

Inventor： 孔万增 ,  仇敏 ,  张建海

IPC: G06F18/2431 ,  G06F18/213 ,  G06F18/25 ,  G06F18/27 ,  G06N3/0464 ,  G06N3/042 ,  G06N3/08 ,  A61B5/16 ,  A61B5/372

Abstract: 本发明公开了一种基于深度可分离因果图卷积网络的脑电情绪识别方法。现有用于识别脑电情绪的神经网络缺乏通道间定向功能性关系的考虑。本发明如下：一、采集被测者的脑电数据。二、构建邻接矩阵。三、计算脑电数据对应的正则化拉普拉斯矩阵。四、利用深度可分离因果图卷积模型进行特征提取和情绪分类。本发明采用格兰杰因果关系对EEG信号通道间的关系进行建模，构建出一个有向的非对称矩阵，充分考虑了通道间的因果关系，与真实的脑电信号产生情况一致，故能够有效提高情绪类型识别的准确率。此外，本发明采用深度可分离卷积充分提取了脑电数据中的局部特征，从而进一步提高了分类准确率。