[0001] 本申请涉及人工智能技术领域，更具体地，涉及一种情绪识别方法。

[0002] 情绪是人对客观事物的态度体验及相应的行为反应，对于人类的行为和心理健康有着重要影响，在医学方面，准确识别情绪有助于对有心理疾病或表达障碍的患者进行疏导与诊断，例如，通过识别抑郁情绪，可以提供抑郁症预警以及早期干预治疗的机会。

[0003] 脑电信号是一种在大脑皮层或头皮表面上反应大脑神经细胞中电活动总体效应的生理信号，通过放置在头部不同部位的电极可以同时采集多通道的脑电信号。将脑电信号作为信息来源，通过人工智能识别情绪，是一种客观的情绪识别方法。

[0004] 现有通过人工智能识别情绪的方法中，主要提取脑电信号的时域及频域特征作为神经网络的输入，并未考虑脑电信号各通道间的相关性信息，识别准确率较低；此外，在训练人工智能神经网络的实际操作中，部分情绪分类的脑电信号样本量较少，容易导致神经网络过拟合。

[0005] 亟需对现有情绪识别方法进行改进，以实现客观、准确地识别情绪。

[0031] 在本申请中，“情绪识别”表示针对目标对象的脑电信号中包含的情绪进行分类，例如抑郁，高兴,悲伤,惊讶,恐惧,愤怒和厌恶。

[0032] 下面将参考附图并结合实施方式来详细说明本申请的技术方案。

[0033] 图1示出了根据本申请的情绪识别方法的示意流程图。

[0034] 如图1所示，情绪识别方法100包括步骤S110～S130。

[0035] 在步骤S110中，获取目标对象的多通道脑电数据集。

[0036] 在本申请的一些实施例中，多通道脑电数据集是通过对从目标对象采集的多通道脑电信号进行预处理得到的。在其中一些实施例中，多通道脑电信号(EEG信号)是非侵入式静息态脑电信号。

[0037] 在本申请的一些实施例中，对多通道脑电信号的预处理包括以下步骤：使用陷波滤波器去除脑电信号的工频噪声；针对去除工频噪声的脑电信号进行零均值归一化，以增强数据的可比性；以及如图2所示，针对每一个通道，使用时间窗口从归一化的脑电信号中重复截取通道数据段，以建立多通道脑电数据集，其中，在同一时间窗口内截取的各通道的通道数据段构成该时间窗口的通道数据段组，不同时间窗口的通道数据段组构成多通道脑电数据集。通过将较长时间的脑电信号截取成较小的通道数据段，增加了脑电数据的样本数量。

[0038] 在一些实施例中，截取通道数据段所使用的时间窗口具有固定长度。

[0039] 在一些实施例中，相邻的通道数据段部分地重叠，以确保能够捕捉到信号的动态变化，并且减少由于切片位置的选择而导致的偏差，减少数据的边缘效应。在其中一些实施例中，相邻的通道数据段重叠50％。

[0040] 在步骤S120中，基于多通道脑电数据集，确定目标对象的图节点特征集合并生成邻接矩阵。

[0041] 在本申请的一些实施例中，确定目标对象的图节点特征集合包括以下步骤：将多通道脑电数据集中的通道数据段转换为频域数据；通过带通滤波器从频域数据中提取频带；通过下式计算频带的微分熵x，

[0042]

[0043] 其中，P是频带的能量谱，N是通道数据段的时间长度；以及将多通道脑电数据集的微分熵集合X输入双向长短期记忆(BiLSTM)网络，以确定图节点特征集合H，其中，[0044] X＝{x│x∈Rn×t×d}，H＝{h│h∈Rn×d′}，

[0045] 其中，n是多通道脑电数据集中通道的数量，t是多通道脑电数据集中通道数据段组的数量，d是频带的数量，d′是图节点特征向量的维度。

[0046] 一般地，能量谱表示在一定时间内频域数据的能量，可以通过计算频谱内各频率分量幅度的平方和得到能量谱。

[0047] 一般地，微分熵是针对连续性随机变量的概率分布中不确定性总量的量化。

[0048] 一般地，图节点特征向量构成图节点特征集合，是图卷积网络的输入，包括通道节点的特征信息。在本申请中，图节点特征向量包括通道节点的频域特征和时域特征。

[0049] 在一些实施例中，通过快速傅里叶变换将多通道脑电数据集中的通道数据段转换为频域数据。

[0050] 在一些实施例中，带通滤波器是四阶巴特沃斯滤波器。

[0051] 在一些实施例中，频带包括δ(0.5‑3.5Hz)、θ(3.5‑7.5Hz)、α(7.5‑13.5Hz)和β(13.5‑30Hz)。

[0052] 在本申请的一些实施例中，邻接矩阵的矩阵元是基于相应通道之间的相关系数计算得到的。

[0053] 在一些实施例中，邻接矩阵是基于相关系数矩阵A确定的，其中，A＝(aij)n×n，n是多通道脑电数据集中通道的数量，矩阵元aij是通过下式计算的多通道脑电数据集中第i个通道与第j个通道的皮尔逊相关系数，

[0054]

[0055] 上式中，m表示采样点数量，sk表示第i个通道中第k个采样点的样本值，表示第i个通道中采样点的样本均值，tk表示第j个通道中第k个采样点的样本值，表示第j个通道中采样点的样本均值。

[0056] 作为示例，图3示出了128通道脑电数据的皮尔逊相关系数热力图。

[0057] 如图3所示，如果两通道采样数据之间的相关系数值大于0，表示两组采样数据正相关；如果相关系数值小于0，表示两组采样数据负相关；如果相关系数值等于0，表示两组采样数据不相关。

[0058] 在本申请一些实施例中，确定邻接矩阵的过程包括以下步骤：将相关系数矩阵A中矩阵元aij根据数值大小排序，排序靠前的多个矩阵元数值用1替换，其余矩阵元数值用0替换，得到矩阵D；

[0059] 为了使通道间的相关性具有对称性，通过下式计算矩阵D′，

[0060] D′＝(dij)n×n＝(D+DT)/2，

[0061] 其中，DT是矩阵D的转置；以及通过下式计算邻接矩阵A'，

[0062] A'＝(a′ij)n×n，

[0063] 其中，

[0064] 在步骤S130中，将图节点特征集合和邻接矩阵输入经过训练的图卷积网络，以识别目标对象的情绪。

[0065] 在本申请的一些实施例中，图卷积网络采用切比雪夫卷积核以降低计算复杂度，切比雪夫卷积核可用下式描述，

[0066]

[0067] 其中，Wl是学习的参数矩阵，H是图节点特征集合，A'是邻接矩阵。

[0068] 在本申请的一些实施例中，图卷积网络采用Relu激活函数在图卷积后进行非线性映射。

[0069] 在本申请的一些实施例中，图卷积网络采用谱池化操作以降低图的尺寸。在其中一些实施例中，谱池化选择50％，即每次谱池化后节点减少一半。

[0070] 在本申请的一些实施例中，图卷积网络采用ReadOut函数将节点属性聚合。

[0071] 在本申请的一些实施例中，图卷积网络采用softmax函数在全连接层进行二分类。

[0072] 在本申请的一些实施例中，图卷积网络采用采用带有L2正则化的交叉熵损失函数作为图卷积网络的损失函数，可用下式描述，

[0073]

[0074] 其中，λ是L2正则化惩罚系数，wj和bj是模型参数，n是输入样本个数。

[0075] 在本申请的一些实施例中，图卷积网络的训练过程包括以下步骤：分别针对既有脑电信号建立多通道脑电数据集，形成脑电数据集群；分割脑电数据集群中多通道脑电数据集以增加样本量；将脑电数据集群中多通道脑电数据集及多通道脑电数据集对应的情绪分类标签分割为训练集和测试集；使用训练集训练图卷积网络；以及使用测试集测试图卷积网络的训练效果。

[0076] 在一些实施例中，训练集和测试集的分割比例为8:2。

[0077] 在一些实施例中，可通过不同的评价指标，例如ROC曲线和分类精度，可视化分析图卷积网络的性能。

[0078] 在本申请的一些实施例中，目标对象的情绪是指抑郁情绪。

[0079] 以上详细描述了本申请的优选实施方式，但是，本申请并不限于上述实施方式中的具体细节，在本申请的技术构思范围内，可以对本申请的技术方案进行多种简单变型，这些简单变型均属于本申请的保护范围。

[0080] 另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本申请对各种可能的组合方式不再另行说明。

[0081] 此外，本申请的各种不同的实施方式之间也可以进行任意组合，只要其不违背本申请的思想，其同样应当视为本发明所公开的内容。