本技術屬于腦電信號處理，尤其涉及一種基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡的情緒狀態(tài)識別方法及裝置。

背景技術：

1、腦電信號（electroencephalogram，eeg）是一種記錄大腦神經(jīng)活動的非侵入性工具，因其高時間分辨率和無創(chuàng)性，廣泛用于與情緒狀態(tài)相關的抑郁癥、焦慮癥等精神疾病的研究。通過分析患者在靜息或任務狀態(tài)下的eeg信號，可以揭示與情緒狀態(tài)相關的大腦功能失調(diào)模式，例如α波、β波等特定頻段的活動異常。eeg數(shù)據(jù)具有多通道、多時間點的特點，其維度高且非結構化。

2、目前，eeg信號可以基于特征工程的分析方法、傳統(tǒng)機器學習方法等進行分析。在通過傅里葉變換、hilbert-huang變換等基于特征工程進行eeg信號的分析時，耗時且依賴領域知識；通過支持向量機（svm）、隨機森林等傳統(tǒng)機器學習方法進行eeg信號的分析時，存在無法充分挖掘eeg的時空特性的缺陷。

技術實現(xiàn)思路

1、本技術旨在至少解決現(xiàn)有技術中存在的技術問題之一。為此，本技術提出一種基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡的情緒狀態(tài)識別方法及裝置，能夠快速識別情緒狀態(tài)，能夠提取稀疏的有效信息，擺脫了對領域知識的依賴。

2、第一方面，本技術提供了一種基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡的情緒狀態(tài)識別方法，該方法包括：

3、獲取用戶的待識別腦電數(shù)據(jù)；

4、將所述待識別腦電數(shù)據(jù)對應的多個頻帶的微分熵特征輸入至情緒狀態(tài)識別模型，所述情緒狀態(tài)識別模型包括特征提取器、數(shù)據(jù)增強模塊和下游分類器，所述特征提取器是基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡構建的；

5、通過特征提取器對所述微分熵特征進行特征提取并施加稀疏性，得到所述待識別腦電數(shù)據(jù)的第一節(jié)點特征；

6、通過所述數(shù)據(jù)增強模塊對所述第一節(jié)點特征進行增強，生成第二節(jié)點特征；

7、通過所述下游分類器對所述第二節(jié)點特征進行分類，得到所述用戶的情緒狀態(tài)并輸出；

8、所述情緒狀態(tài)識別模型是基于多個訓練樣本得到的，所述訓練樣本包括樣本腦電數(shù)據(jù)的樣本微分熵特征，以及所述樣本腦電數(shù)據(jù)對應的情緒狀態(tài)標簽。

9、根據(jù)本技術的一個實施例，所述特征提取器包括依次連接的圖過濾層、圖卷積層、稀疏化塊和注意力權重計算模塊，所述特征提取器的輸入通道與所述待識別腦電數(shù)據(jù)的腦電電極的電極節(jié)點一一對應；

10、所述通過特征提取器對所述微分熵特征進行特征提取并施加稀疏性，得到所述待識別腦電數(shù)據(jù)的第一節(jié)點特征，包括：

11、通過所述圖過濾層，將所述微分熵特征從時域轉(zhuǎn)換為頻譜圖域并對圖的特征進行變換，得到腦電圖譜；

12、通過所述圖卷積層，通過稀疏鄰接矩陣，在所述腦電圖譜中提取所述待識別腦電數(shù)據(jù)對應的電極節(jié)點的節(jié)點特征，并對所述節(jié)點特征進行非線性映射，得到特征圖；

13、通過所述稀疏化塊，根據(jù)閾值稀疏化注意力權重，對特征圖進行稀疏化，得到稀疏化特征；

14、通過所述注意力權重計算模塊，對稀疏化特征生成動態(tài)鄰接矩陣，以得到所述電極節(jié)點對應的第一節(jié)點特征。

15、根據(jù)本技術的一個實施例，在所述特征提取器中，通過圖拉普拉斯算子進行卷積：

16、

17、其中，是濾波函數(shù)；是切比雪夫多項式的階數(shù)，；是切比雪夫多項式的系數(shù)；為對角矩陣；是在處求值的k階切比雪夫多項式，是對角線條目中的最大元素，是標識矩陣。

18、根據(jù)本技術的一個實施例，所述數(shù)據(jù)增強模塊包括依次連接的注意力分區(qū)模塊和特征混合模塊，所述通過所述數(shù)據(jù)增強模塊對所述第一節(jié)點特征進行增強，生成第二節(jié)點特征，包括：

19、通過所述注意力分區(qū)模塊，對所述第一節(jié)點特征進行注意力分區(qū)，得到輸出特征；

20、通過所述特征混合模塊，對所述輸出特征進行特征混合，生成第二節(jié)點特征。

21、根據(jù)本技術的一個實施例，所述注意力分區(qū)模塊包括編碼器和解碼器，所述解碼器包括第一層注意力和第二層注意力；

22、所述通過所述注意力分區(qū)模塊，對所述第一節(jié)點特征進行注意力分區(qū)，得到輸出特征，包括：

23、通過所述編碼器對所述第一節(jié)點特征捕捉長距離依賴性并進行分組，得到多個節(jié)點子集；

24、通過所述第一層注意力對所述多個節(jié)點子集提取全局特征和注意力權重；

25、通過所述第二層注意力，基于所述注意力權重，根據(jù)所述全局特征和局部特征的交互，生成所述輸出特征。

26、根據(jù)本技術的一個實施例，所述下游分類器包括依次連接的卷積塊、transformer編碼器及分類模塊，所述分類模塊包括依次連接的一級分類器和二級分類器，

27、所述通過所述下游分類器對所述第二節(jié)點特征進行分類，得到所述用戶的情緒狀態(tài)并輸出，包括：

28、通過所述卷積塊對所述第二節(jié)點模塊提取低級局部特征；

29、通過所述transformer編碼器對所述低級局部特征捕捉全局依賴性，得到全局特征；

30、通過所述一級分類器對所述全局特征進行分類，在確定生成的第一識別結果為常規(guī)狀態(tài)的情況下，將所述第一識別結果作為所述情緒狀態(tài)輸出；

31、在確定所述第一識別結果為非常規(guī)狀態(tài)的情況下，通過所述二級分類器對所述全局特征進行分類，得到所述用戶的第二識別結果并作為所述情緒狀態(tài)進行輸出。

32、根據(jù)本技術的一個實施例，所述獲取用戶的待識別腦電數(shù)據(jù)，包括：

33、獲取所述用戶的腦電信號；

34、對所述腦電信號進行帶通濾波處理；

35、對濾波后的所述腦電信號進行獨立成分分析，得到所述待識別腦電數(shù)據(jù)。

36、第二方面，本技術提供了一種基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡的情緒狀態(tài)識別裝置，該裝置包括：

37、獲取模塊，用于獲取用戶的待識別腦電數(shù)據(jù)；

38、第一處理模塊，用于將所述待識別腦電數(shù)據(jù)對應的多個頻帶的微分熵特征輸入至情緒狀態(tài)識別模型，所述情緒狀態(tài)識別模型包括特征提取器、數(shù)據(jù)增強模塊和下游分類器，所述特征提取器是基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡構建的；

39、第二處理模塊，用于通過特征提取器對所述微分熵特征進行特征提取并施加稀疏性，得到所述待識別腦電數(shù)據(jù)的第一節(jié)點特征；

40、第三處理模塊，用于通過所述數(shù)據(jù)增強模塊對所述第一節(jié)點特征進行增強，生成第二節(jié)點特征；

41、第四處理模塊，用于通過所述下游分類器對所述第二節(jié)點特征進行分類，得到所述用戶的情緒狀態(tài)并輸出；

42、所述情緒狀態(tài)識別模型是基于多個訓練樣本得到的，所述訓練樣本包括樣本腦電數(shù)據(jù)的樣本微分熵特征，以及所述樣本腦電數(shù)據(jù)對應的情緒狀態(tài)標簽。

43、第三方面，本技術提供了一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上述第一方面所述的基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡的情緒狀態(tài)識別方法。

44、第四方面，本技術提供了一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述第一方面所述的基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡的情緒狀態(tài)識別方法。

45、第五方面，本技術提供了一種芯片，所述芯片包括處理器和通信接口，所述通信接口和所述處理器耦合，所述處理器用于運行程序或指令，實現(xiàn)如第一方面所述的基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡的情緒狀態(tài)識別方法。

46、第六方面，本技術提供了一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述第一方面所述的基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡的情緒狀態(tài)識別方法。

47、本技術的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本技術的實踐了解到。

48、本技術提供的一種基于稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡的情緒狀態(tài)識別方法及裝置，相對于現(xiàn)有技術具有以下有益效果：

49、（1）通過引入稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡，動態(tài)構造eeg通道之間的相關性圖，挖掘高維稀疏特征，在訓練過程中動態(tài)調(diào)整圖結構，能夠根據(jù)每個樣本的信號特點構建最優(yōu)通道關系，解決了傳統(tǒng)圖卷積網(wǎng)絡對固定圖結構的依賴問題，使得特征提取更具適應性，通過結合動態(tài)特征提取和合理的數(shù)據(jù)增強技術，使情緒狀態(tài)識別模型在多分類任務中具有更高的準確率和穩(wěn)定性，能夠快速識別情緒狀態(tài)，能夠提取稀疏的有效信息，擺脫了對領域知識的依賴，得到的情緒狀態(tài)可以作為健康狀態(tài)判斷的依據(jù)，根據(jù)情緒狀態(tài)，給予用戶放松和緩解壓力的建議。

50、（2）能夠動態(tài)適配不同用戶的腦電數(shù)據(jù)特性，提取具有區(qū)分能力的特征，為情緒狀態(tài)的分類提供高質(zhì)量的輸入，也可以通過數(shù)據(jù)增強彌補小樣本問題，生成更加豐富的樣本分布，緩解類別不平衡，提高下游分類器的魯棒性，通過稀疏動態(tài)圖卷積神經(jīng)網(wǎng)絡和依賴注意力機制的數(shù)據(jù)增強技術，可以實現(xiàn)從eeg數(shù)據(jù)中高效提取情緒狀態(tài)相關特征，同時緩解數(shù)據(jù)不足問題，為精準分類提供技術支持。