基于图正则非负矩阵分解的脑电情感信号识别方法

1.本发明属于脑电信号处理和模式识别技术领域，涉及一种基于图正则非负矩阵分解的脑电情感信号识别方法。


背景技术：

2.图正则非负矩阵分解的方法是机器学习和模式识别中的经典方法。而脑电情感信号是一种图网络结构的数据类型，因此使用图方法来进行脑电情感识别可以很好的利用脑电信号的图结构。
3.目前针对脑电情感信号进行情感识别的方法有很多，包括svm和dbn方法等。其中svm方法是一种经典的分类方法，可以处理高维数据，具有较好的泛化能力，对脑电信号分类有益，但该方法对于噪声敏感，在数据中存在噪声时，模型的性能可能会受到影响，而脑电信号采集时很容易产生噪声。dbn方法是经典的深度学习模型，dbn可以自动提取脑电信号的高阶特征，但该网络的训练过程比较复杂，需要精心设计模型和设置参数，容易陷入局部最优解，也更容易出现过拟合的现象。


技术实现要素：

4.本发明的目的在于提供一种基于图正则非负矩阵分解的脑电情感信号识别方法，能够有效地识别脑电情感信号，相比于其他经典的脑电情感识别方法，本发明有效地提高了识别率。
5.为实现上述目的，本发明提供如下技术方案：一种基于图正则非负矩阵分解的脑电情感信号识别方法，包括以下步骤：
6.步骤一、使用k近邻算法来计算每个脑电信号各通道之间的距离或相似度，并根据它们之间的距离或相似度构造邻接矩阵；
7.步骤二、构造一个图正则非负矩阵分解模型，并对分解后的矩阵进行非负性的约束；
8.步骤三、引入一个投影矩阵，进一步对矩阵实施三分解；
9.步骤四、对模型进行优化；
10.步骤五、使用训练好的模型参数p与样本x相乘后得到的新表示px，并与对应的标签矩阵同时输入至svm分类器中训练一个分类器；
11.步骤六、将测试样本输入分类器中对其类别进行预测。
12.进一步的，所述步骤一的具体方法是：使用k近邻算法来计算每个脑电信号各通道之间的距离或相似度，这将产生一个62x62的相似度矩阵，进一步将相似度矩阵转换为邻接矩阵。
13.进一步的，所述步骤三的具体方法是：引入一个投影矩阵p，将表示矩阵v变形成px，x为样本，从而将原来的二分解变形成三分解的形式，另外为了使模型更加光滑增加一个正则项
14.进一步的，所述步骤四的具体方法是：基于模型的非负约束使用kkt条件对模型进行优化求解。
15.本发明的有益效果：本发明方法通过构造图正则非负矩阵分解方法来对脑电情感信号进行情感识别。与现有技术如svm和dbn相比，本发明中方法有如下优势：
16.(1)图正则方法的引入可以很好地建立起脑电情感信号中各通道之间的有效联系，本方法通过计算各通道与其他通道之间的距离或相似度得到一个距离或相似度矩阵，可以更加有效地获取特征信息；
17.(2)在模型的建构上，我们改进传统的矩阵分解模型，将传统的双分解改进为三分解模型，同时将其中的分解矩阵v表示为v＝px，从而在测试及应用时省去求解矩阵v的广义逆的复制过程，只需要将样本与三分解中获得的矩阵p相乘即可,即得到px。
附图说明
18.图1为本发明的流程图；
19.图2为62通道脑电帽布局图。
具体实施方式
20.下面结合说明书附图和实施例来对本发明进行详细阐述。
21.如图1所示，一种基于图正则非负矩阵分解的脑电情感信号识别方法，包括以下步骤：
22.步骤一、使用k近邻算法来计算脑电信号每个通道之间的相似度，并根据它们之间的相似度构造邻接矩阵。
23.步骤二、基于脑电情感信号构造一个传统的图正则非负矩阵模型来学习参数矩阵v，为了避免在测试过程中求解参数矩阵v的伪逆，引入一个投影矩阵p，将v表示为v＝px；
24.步骤三、对模型进行优化计算，学习出一个有效的参数矩阵；
25.步骤四、基于训练好的p和标签信息使用lsvm训练出一个分类器，对真实数据及测试集进行预测。
26.本发明的优选方案中，脑电情感数据来自上海交通大学的(sjtu emotion eeg dateset,seed)数据库。
27.本发明基于图正则的矩阵分解的基础之上，所以下面先介绍邻接矩阵的构造，然后在此基础上介绍投影矩阵分解的模型。
28.1.基于eeg脑电情感信号相关信号通道，使用图正则方法建立eeg信号的邻接矩阵lv,lv＝d
v-wv。
29.其中，我们定义
[0030][0031]
wv是一个对称权重矩阵，n(x)表示样本x的近邻，矩阵dv是一个对角矩阵，它的对角线元素是矩阵wv的行和或者列和，即
[0032]
2.构造基于图正则非负矩阵分解的模型
[0033]
一个标准的图正则非负矩阵分解模型为：
[0034][0035]
其中，x＝[x1,x2,...,xn]∈rm×n是给定的eeg情感信号数据，其中n是样本的数量，xi(i＝1,2,...,n)表示第i个样本，它是将脑电信号进行向量化的结果，它是一个m
×
n的矩阵，且它的每个元素都是非负的。这个模型将输入数据表示成两个非负编码矩阵u和v的乘积，从而能够很好地对样本进行表示。然而这个模型在测试样本的有效性时，我们可能需要求解u的伪逆。这个过程不能保证新的测试样本的非负性，从而违背了非负矩阵的因子分解基本假设。为了避免这种麻烦，我们进一步通过在模型(2)中引入一个投影矩阵来改造每个测试样本使其保持低维非负的表示。设v＝[v1,v2,...,vn]，我们假设每个分量vi是由样本xi线性变换得来，即
[0036]
vi＝pxi或v＝px。
[0037]
这里p∈rk×m是投影矩阵。因而目标函数(2)能被改写为：
[0038][0039]
得到投影矩阵p后，对于测试样本我们很容易获得新的表示
[0040][0041]
值得注意的是非负且计算效率更高。
[0042]
从模型(3)，我们能看到样本矩阵x能表示成upx,从而我们能把up近似成一个单位矩阵i。为了保证目标函数的更加光滑，我们给公式(3)增加一个额外的惩罚函数项于是我们得到一个新的目标函数：
[0043][0044]
其中λ1，λ2≥0，λ1，λ2是用来平衡目标函数中三个正则项的可调节的超参数，i∈rm×m是和up维度相同的单位矩阵。在训练中，我们设置λ1＝10和λ2＝1。
[0045]
3、优化模型
[0046]
我们将利用拉格朗日乘子法来处理模型当中的约束，假设和ψ
ij
是拉格朗日乘子，分别有u
ij
≥0，p
ij
≥0，且ψ＝[ψ
ij
]，则拉格朗日函数为：
[0047][0048]
模型l关于基础矩阵u和投影矩阵p的偏导数分别为：
[0049][0050][0051]
由kkt条件φ
ijuij
＝0和ψ
ij
p
ij
＝0，我们得到下面的等式：
[0052][0053][0054]
由前面的lv＝d
v-wv，因而等式(9)能被写成：
[0055][0056]
按照等式(7)和(9)，我们进一步得到u
ij
和p
ij
的更新规则：
[0057][0058][0059]
4、测试
[0060]
在获得投影矩阵p后，我们将px和与相对应的标签矩阵使用lsvm分类器训练出一个线性分类器，然后用这个分类器去对测试样本或实际数据进行预测。预测时只要将投影矩阵p乘以测试样本或实际数据后输入分类器中，就可以预测出样本的情感类别。
[0061]
本发明方法的动作识别实验过程如下：
[0062]
构建本实施例所使用图方法过程为：使用k近邻算法来计算每个通道之间的距离或相似度，并根据它们之间的距离或相似度构造邻接矩阵。
[0063]
eeg信号是通过一种具有许多电极位置的电极帽接触头皮采集到的脑电波信号。公共电极帽包括64或128个电极位置符合国际10-20系统，并且电极位置也被称为通道。当参与者受到给定的视觉和听觉刺激时刺激物质时，大脑可以产生相应的情绪的脑电波信号，这些信号通过佩戴的电极帽被采集。科学家对脑电信号进行划分基于频率差分为不同的频段，包括alpha(α)、beta(β)，gamma(γ)，theta(θ)和delta(δ)频段。表1显示五个频段的范围。
[0064]
表1 eeg信号的频率波段范围
[0065]
波段betadeltathetaalphagamma频率0-3hz4-7hz8-13hz14-30hz31-50hz
[0066]
我们使用sjtu情绪脑电图数据集(seed)与多模态心理情绪数据库(mped)来评估
所提出的方法。seed选择15名参与者(7名男性和8名女性)，每组它有三个单独的会话。在信号处理过程中采集，受试者被指定观看相应三种情绪(消极、中性和积极)的电影剪辑，这样大脑就可以产生相应的情感信号。seed情感信号是通过使用esi neuroscan系统，采样率为1000hz,取自62通道电极(如图2所示)。我们使用五个单一频段和完整频段来全面评估我们提出的方法。
[0067]
基于与see数据库提供的实验协议，在表2中，我们使用了eeg情绪识别结果来与我们的方法进行比较，其中包括两种基线方法(线性支持向量机(svm)和深度置信网络(dbn))。此外，我们将模型中的超参数经验性地设置为λ1＝10和λ2＝1。
[0068]
分类与评价：
[0069]
表2显示了三种方法的实验结果在识别精度方面(％)，从表2的结果中，我们可以清楚地看到，在完整频带(α+β+γ+θ+δ)和大多数单一频带中，我们所提出方法的表现要比svm和dbn方法高出不少。每个频带的实验结果显示，在单一频带中，α和β频带的识别率明显优于θ、δ和γ频带，这种现象的原因可能是eeg特征的低频信号(如θ、δ和γ频带)与人脑在睡眠或嗜睡状态下有关，而高频信号(如α和β频带)包含更多与人脑认知活动相关的有用信息。此外，表2中的三种方法都在完整频带中实现了最佳识别率，识别精度均超过了80％。从这些结果中，我们相信eeg信号的完整频带可能包含了人脑在认知活动中更全面和有用的情感信息。
[0070]
表2在seed数据库上的实验结果
[0071]
方法deltathetaalphabetagammacompletesvm60.5060.9566.6480:7679.5683.99dbn64.3260.7764.0178.9279.1986.08gpnmf66:7869:5471:6580.2281:0286:26
[0072]
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于图正则非负矩阵分解的脑电情感信号识别方法，其特征在于：包括以下步骤：步骤一、使用k近邻算法来计算每个脑电信号各通道之间的距离或相似度，并根据它们之间的距离或相似度构造邻接矩阵；步骤二、构造一个图正则非负矩阵分解模型，并对分解后的矩阵进行非负性的约束；步骤三、引入一个投影矩阵，进一步对矩阵实施三分解；步骤四、对模型进行优化；步骤五、使用训练好的模型参数p与样本x相乘后得到的新表示px，并与对应的标签矩阵同时输入至svm分类器中训练一个分类器；步骤六、将测试样本输入分类器中对其类别进行预测。2.根据权利要求1所述的基于图正则非负矩阵分解的脑电情感信号识别方法，其特征在于：所述步骤一的具体方法是：使用k近邻算法来计算每个脑电信号各通道之间的距离或相似度，这将产生一个62x62的相似度矩阵，进一步将相似度矩阵转换为邻接矩阵。3.根据权利要求1所述的基于图正则非负矩阵分解的脑电情感信号识别方法，其特征在于：所述步骤三的具体方法是：引入一个投影矩阵p，将表示矩阵v变形成px，x为样本，从而将原来的二分解变形成三分解的形式，另外为了使模型更加光滑增加一个正则项up-i
2f
。4.根据权利要求1所述的基于图正则非负矩阵分解的脑电情感信号识别方法，其特征在于：所述步骤四的具体方法是：基于模型的非负约束使用kkt条件对模型进行优化求解。

技术总结
本发明公开了一种基于图正则非负矩阵分解的脑电情感信号识别方法，包括以下步骤：步骤一、使用最近邻方法对于脑电情感信号构造一个邻接矩阵；步骤二、建立一个图正则非负矩阵分解模型，并对分解后的矩阵进行非负性的约束；步骤三、引入一个投影矩阵，进一步对矩阵实施三分解；步骤四、对模型进行优化；步骤五、使用训练好的模型参数P与样本X相乘后得到的新表示PX来代替原模型的表示矩阵V，加入对应的标签矩阵用线性SVM分类器中训练一个分类器；步骤六、将测试样本输入至分类器中对其类别进行预测。本发明能够有效地识别脑电情感信号，相比于其他经典的脑电情感识别方法，本发明有效地提高了识别率。效地提高了识别率。效地提高了识别率。


技术研发人员：鄢克雨 颜玮琦 徐凡 冯浩
受保护的技术使用者：江西师范大学
技术研发日：2023.06.01
技术公布日：2023/8/9