一种基于集成学习的脑电信号情绪分类方法

本发明涉及脑电信号情绪分类问题，尤其是涉及一种基于集成学习的脑电信号情绪分类方法。

背景技术：

1、情绪作为一种分散的情感状态，在人际交往、人类疾病等领域发挥着重要作用。作为人类大脑的高级功能之一，情绪具有持续时间短、对多种刺激源协调反应等特点。而脑电信号作为一种生理性信号，包含了个体丰富的生理性信息，作为情绪识别的信号输入，有着充实理论基础。

2、特征提取作为情绪识别研究中重要的一个环节，只有提取出与情绪相关的特征，才能为后续的情绪分类识别提供保证。从特征提取的角度出发进行脑电信号的情绪分类，需要提取出表征性强的、与情绪关联度大的、分类效果好的特征。当前特征提取往往针对脑电信号的某一类特征进行研究，从而忽视掉了脑电信号中其他的丰富信息。同时由于提取特征较多，特征相互间会存在相似度较高、有效信息类似等情况。如果不加以筛选，可能导致分类器大量的无效计算以及性能下降。为了降低特征噪声，避免“维度灾难”的发生与提高分类器的性能，需对获得的特征信息进行进一步的筛选。通过特征筛选过后，对提取到的特征需进行进一步的分析，找到特征间的潜在关联性从而获得对情绪识别更具表征性的脑电特征，以此提升分类准确性。

3、基于单一分类器的预测模型，预测精度会呈边际效用递减趋势。而通过集成学习的方式可以结合多种分类器的优势，使得结果更具有合理性。另外，由于集成学习中子分类器与元分类器数量众多，各分类器存在多个需要人为设置的超参数，因此集成学习中会存在大量超参数需要设置，通过手动遍历的方式与网格搜索方法存在极大的时间成本，因此需要找到合适的方式来进行寻找。

技术实现思路

1、为了解决上述方法存在的问题，本发明在于提供一种基于集成学习的脑电信号情绪分类方法，包含了特征提取、特征筛选、特征融合、集成学习模型设计等方面。首先从脑电信号分析常用的时域、频域、时频域、空域入手，将各域具有较强表征性且分类效果较好的特征进行提取。其次针对提取特征的复杂度与相似性，通过特征间的方差膨胀因子和特征与标签间的互信息进行特征筛选，保留其中效果较好的特征进行特征融合，得到最终的融合特征。最后对传统机器学习的分类器进行改进，通过stacking集成学习的方式将整体的分类问题分化为各个子分类器的分类问题，保证了分类的准确性，在针对基分类器的超参数寻优问题上，引入贝叶斯优化算法寻找最佳的超参数组合。本发明通过在公开数据集seed-iv和自采集数据集上分别进行了实验验证对比，实验结果表明了本章算法提取的融合特征与集成学习方式在脑电信号情绪分类问题上的有效性，对比各类传统机器学习算法与各种特征均取得了较佳的分类效果。本发明的优势在于：增加了传统的特征提取种类，并对机器学习中的分类器进行结合与优化。不仅能够获得到表征性强的脑电信号特征，同时还极大程度的避免了单一分类器造成的分类效果不佳的问题。通过与其他特征、分类器和深度学习神经网络的情绪分类准确率进行对比，表明本发明的情绪分类准确率更大，且可解释性更强。

技术特征：

1.一种基于集成学习的脑电信号情绪分类方法，其特征在于包括以下步骤：

2.根据权利要求1所述的方法，其特征在于步骤(2)中在特征筛选上，特征间的相似程度与特征和标签间的关联程度两个方面实现，具体方式如下：

3.根据权利要求1所述的方法，其特征在于步骤(3)中用特征融合上采用典型相关分析来对特征进行融合获得一种融合的新特征，获取方式如下：

4.根据权利要求1所述的方法，其特征在于步骤(5)中通过贝叶斯优化算法对集成学习子分类器超参数寻优，具体方法如下：

5.根据权利要求1所述的方法，其特征在于步骤(5)中通过分类器池对集成学习子分类器进行轮询，具体方法如下：

技术总结
本发明提出一种基于集成学习的脑电信号情绪分类方法。在各域中找到表征性强的特征，将这些特征通过方差膨胀因子与互信息进行筛选，并利用典型相关分析来对特征进行融合得到一种融合的新特征。在分类器上采用Stacking集成学习的模式，将子分类器进行集成。并通过贝叶斯优化算法来提高集成学习算法超参数寻优的时间，应用分类器池来轮询子分类器提高集成学习效果。相比现有技术，本发明所提方法在脑电信号情绪识别上的准确率有了提升。所提出的脑电信号融合特征与情绪状态关联性较强，集成学习方式对比各类传统机器学习算法取得了较佳的分类效果。在脑电信号特征提取、情绪识别、集成学习优化等领域具有广阔的应用前景。

技术研发人员：何小海,郭远哲,王正勇,朱康,陈洪刚,吴小强
受保护的技术使用者：四川大学
技术研发日：
技术公布日：2024/9/23