CN110399857A 一种基于图卷积神经网络的脑电情感识别方法 （西安邮电大学）_第1页
CN110399857A 一种基于图卷积神经网络的脑电情感识别方法 （西安邮电大学）_第2页
CN110399857A 一种基于图卷积神经网络的脑电情感识别方法 （西安邮电大学）_第3页
CN110399857A 一种基于图卷积神经网络的脑电情感识别方法 （西安邮电大学）_第4页
CN110399857A 一种基于图卷积神经网络的脑电情感识别方法 （西安邮电大学）_第5页
已阅读5页，还剩14页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于图卷积神经网络的脑电情感识别能连接模式结构将提取的各单通道脑电特征建用反向传播算法和交叉熵损失函数优化网络参2获取不同情绪状态下的脑网络图的PLV邻接矩阵A步骤四、输入训练集图信号对模型进行迭代优化训练，采其中p(x)和q(x)分别表示训练数据的真实值和预测值，R(w)是评价模型复杂度的指将样本s输入到图卷积神经网络模型中，经过卷积层之后其第j次输出特征图可表示3.根据权利要求1或2所述的基于图卷积神经网络的脑电情感识别方法，其特征在于，3核来进行卷积运算，所以传统的离散卷积在非欧几里德结构的数据上无法保持平移不变[0008](4)如何从脑电信号的空间和功能联系出发，提取与情感最相关的特征并进行分4[0013]根据信号间的同步锁相值(phaselockvalue，PLV)大小确定情感相关功能[0024]步骤五、将测试集图信号输入已经完成训练的图卷积神经网络，通过softmax函[0033](1)图卷积神经网络弥补了卷积神经网络的局限性，能够处理拓扑图结构的空间5[0035](3)功能连接模式构建过程中考虑了通道选择问题，根据各脑电通道相位同步性[0042]本发明提出的一种基于图卷积神经网络的脑电情感识别方法，具体包括以下步[0044]根据信号间的同步锁相值(phaselockvalue，PLV)大小确定情感相关功能6难以保持相对稳定，因此截取中间的10s时间序列作为后续处理时间序列，并选用步长为[0065]构建关联矩阵：计算各通道信号间的相位同步性大小,PLV的计算方法如式(1)所[0069]分类识别：将测试集数据输入训练好的网络模型进行深度特[0072]情感特征提取和分类识别模块：图卷积神经网络是CNN与光谱理论相结合的深度7的截断展开来逼近滤波器,8[0103]本发明实施例的实施效果：采用上海交通大学的SEED和国际公开的[0104]图4为SEED数据集中第一位被试在愉悦(Positive)、平静(Neutral)和悲伤[0105]图5为本发明与传统方法在三维情绪维度(即价态、唤醒、优势度)上的有效性分9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论