CN113627518B 利用迁移学习实现神经网络脑电情感识别模型的方法 （福州大学）

AU2020103613A4,2021.US2020302235A1,2020.09.24利用迁移学习实现神经网络脑电情感识别本发明提出一种利用迁移学习实现多通道卷积-递归神经网络脑电情感识别模型的方法，其基于三心搏识别方法构建的双通道一维卷积域为脑电信号的多通道卷积-递归神经网络脑电缺的问题，并能够提高脑电信号情感预测准确卷积神经网络对脑电数据集中的多通道脑电信2步骤S2：搭建脑电信号特征提取预训练模型，以步骤S4：得到多通道卷积网络输出的高层次特步骤S5：使用自适应注意力模型和加权特征融步骤S6：特征集合通过完全连接层进行多分类，步骤S11:采用小波基函数对脑电数据集中的脑电信号进行多级小波变换分解，得到步骤S21:从源域获取一维卷积神经网络模型，将全连接层至输出层的结构进行替换，步骤S23:将EEG_Transfer数据集中的数据分为训步骤S24:将每组训练集在初始模型Model_1上进行步骤S31:将EEG_data数据集中的多导联脑电信号作为多通道数据分别输入到目标域步骤S32:将切割后的EEG_data输入卷积层，采步骤S33:卷积层输出数据进入归一化层进行归一3步骤S41:多通道卷积网络输出特征张量S以供双向长短期记忆结构Bi-LSTM的递归神步骤S42:在Bi-LSTM内部单元中附加一个tanh激活函数以实现非线性映射，将特征映步骤S43:Bi-LSTM网络的隐藏层数量的初始选取采用与输入特征向量的长度相一致，步骤S45:通过对应位置取和的方式将Bi-LSTM网络中的正向、反向的两组输出合并为2.根据权利要求1所述的利用迁移学习实现神经网络脑电情感识别模型的方法，其特步骤S51:引入自适应注意力机制，通过设定可训练权重向量步骤S52:采用加权特征融合方式，对计算得到的3.根据权利要求2所述的利用迁移学习实现神经网络脑电情感识别模型的方法，其特将分类特征张量S_Classification输入到两个全连接层，分别使用分类器概率化输4.一种电子设备，包括存储器、处理器及存储在存储器上序被处理器执行时实现如权利要求1-3其中任一所述的利用迁移学习实现神经网络脑电情4CN202010122175-融合源端影响的三心拍多模型综合决策心电特征分类方法提供了心电数多通道卷积-递归神经网络脑电情感识别模型的方法，其基于背景技术提及的中国专利CN202010122175-融合源端影响的三心拍多模型综合决策心电特征分类方法提供的三心搏信号的多通道卷积-递归神经网络脑电情感识别模型，解决了脑电信号标注数据十分稀缺[0005]本发明中的源域模型涉及发明人另一项发明申请，中国专利CN202010122175-融一层、激活层和残差结构作为组合多次叠加，同时为了防止网络过拟合在网络中加入了5源域——心电信号到目标域——脑电信号的迁移学习方[0008]2)迁移得到的多通道卷积神经网络对脑电数据集中的多通道脑电信号进行特征[0012]一种利用迁移学习实现多通道卷积-递归神经网络脑电情感识别模型的方法，其[0020]步骤S11:采用适合的小波基函数对脑电数据集(DEAP数据集)中的脑电信号进行6[0032]步骤S31:将EEG_data数据集中的多导联脑电信号作为多通道数据分别输入到目记忆结构(Bi-Long-shortTermMemory,Bi-LSTM)的递归神经网络输入使用，输出张量长[0039]步骤S42:在Bi-LSTM内部单元中附加一个tanh激活函数以实现非线性映射，将特[0040]步骤S43:Bi-LSTM网络的隐藏层数量的初始选取采用与输入特征向量的长度相一[0041]步骤S44:在Bi-LSTM网络中加入L1正则化、L2正则化以及随机失活(Dr[0042]步骤S45:通过对应位置取和的方式将Bi-LSTM网络中的正向、反向的两组输出合7程序被处理器执行时实现如上所述的利用迁移学习实现多通道卷积-递归神经网络脑电情数据格式等异同点，利用迁移学习实现多通道卷积-递归神经网络脑电情感识别模型的方[0056]步骤S1:获取用于模型训练的脑电数据集，选取DEAP数据集(databaseforemotionanalysisusingphysiological[0059]Deap脑电情感数据库中的脑电信号是经过预处理之后得到的，其采样频率为8以由下式计算出标准映射后的样本值x'。完成第一个投影方向的选择，再按要求选择第N个投影方向的选择，但是某些方向存在重9集，一组作为测试集。将七组训练集在初始模型Model_1上进行训练并在验证集上进行验训练集和验证集，重复以上过程10次直至十组数据都作为测试集对模型的可靠性进行验[0073]1、将步骤S1中预处理过的数据库中未用于迁移学习的数据集EEG_data的多通道梯度爆炸的问题。BN层的策略就是将每个通道的数据减去均值除以方差,这样数据经过处[0081]1.多通道卷积网络输出长[0084]输入门it的主要作用是确定有哪些信息需要被更新,待更新细胞状态C't记录下一C的激活函数选择上，考虑到ReLU函数在LSTM训练过程中很容易造成梯度爆炸的情况，而[0089]最后一个门单元将基于细胞状态决定该步隐藏单元的输出。该门使用一个sigmoid层来决定哪些数据被输出至ot，再与经过tanh函数激活后的细胞状态共同决定当[0095]6.通过对应位置取和的方式将双向LSTM网络中的正向、反向的两组输出合并为[0097]1.采用了软注意力机制查找单[0101]2.根据不同通道脑电信号的注意力系[0104]采用加权特征融合的方式，可以计算出脑电情感信号N个通道中的每个对应特征现在流程图一个流程或多个流程和/或方框图一个方框或多个方[0110]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一