本發(fā)明涉及情感計算,特別涉及一種基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法。
背景技術(shù):
1、情緒識別技術(shù)在社會活動中扮演著越來越重要的角色,它關(guān)聯(lián)到個體的心理健康、社會適應(yīng)能力以及日常行為和工作效率。隨著人工智能和人機交互技術(shù)的發(fā)展,情緒識別技術(shù)已成為提升用戶體驗的關(guān)鍵研究方向,并在心理健康監(jiān)測、情感調(diào)節(jié)、教育等多個領(lǐng)域展現(xiàn)出廣泛的應(yīng)用潛力。
2、然而,現(xiàn)有的情緒識別方法,尤其是依賴于面部表情、語音和生理信號的方法,常常受到個體差異和外部環(huán)境的影響,導致識別準確性不足。基于生理信號的技術(shù),如腦電圖和心電圖,雖然提供了客觀的情緒狀態(tài)信息,但在實際應(yīng)用中,存在特征提取復雜、長距離依賴與局部上下文捕捉困難,以及數(shù)據(jù)稀缺的問題。腦電信號的高維、非線性和非平穩(wěn)特性進一步增加了情緒識別的難度。盡管深度學習技術(shù)的應(yīng)用提高了情緒識別的準確率,但大多數(shù)研究未能充分利用其端到端的特性,限制了模型性能的提升。
技術(shù)實現(xiàn)思路
1、針對現(xiàn)有技術(shù)的缺陷,本發(fā)明通過引入多尺度滑動窗口技術(shù)增強了數(shù)據(jù)多樣性;通過引入文本提示詞機制,巧妙地將腦電信號與文本提示詞相融合,不僅避免了傳統(tǒng)方法中繁瑣的人工特征提取過程,還增強了情緒分類模型對腦電信號的長距離依賴與局部上下文的捕捉能力;顯著提高了情緒識別的高效和準確性。
2、為了實現(xiàn)上述目的,本發(fā)明提供了一種基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法,包括如下步驟:
3、(1)獲取腦電數(shù)據(jù)集,并進行預(yù)處理;
4、(2)對于預(yù)處理后的所述腦電數(shù)據(jù)集,采用多尺度滑動窗口技術(shù)進行數(shù)據(jù)增強;
5、(3)對于數(shù)據(jù)增強后的所述腦電數(shù)據(jù)集數(shù)據(jù),進行腦電信號嵌入和文本提示詞嵌入;
6、(4)將所述腦電信號嵌入和文本提示詞嵌入進行特征融合;
7、(5)構(gòu)建情緒分類模型,使用融合后的特征訓練所述情緒分類模型;
8、(6)獲取待分類腦電數(shù)據(jù),輸入訓練好的所述情緒分類模型,完成情緒識別。
9、進一步的,所述預(yù)處理包括:
10、濾波處理:通過帶通濾波器濾去所述腦電數(shù)據(jù)集中數(shù)據(jù)的低頻和高頻噪聲;
11、去偽影:使用獨立成分分析技術(shù)去除所述腦電數(shù)據(jù)集中數(shù)據(jù)的眼動偽影和肌肉偽影;
12、標準化:對經(jīng)過上述處理后的所述腦電數(shù)據(jù)集中數(shù)據(jù)進行標準化處理,使得每個通道的數(shù)據(jù)具有相同的量綱。
13、進一步的,所述步驟(2)具體為:將所述腦電數(shù)據(jù)集中的每一個腦電數(shù)據(jù)按照k個時間窗口,以預(yù)定重疊率分別進行多尺度滑動分割,生成對應(yīng)的信號片段集合;將各尺度片段沿樣本維度拼接后,通過非重疊滑動窗口進行二次分塊處理,每一塊作為一個腦電數(shù)據(jù),得到增強后的數(shù)據(jù)集。
14、進一步的,所述文本提示詞嵌入具體為:
15、對于數(shù)據(jù)增強后的所述腦電數(shù)據(jù)集中的每一個腦電數(shù)據(jù),提取其統(tǒng)計特性,包括最大值、最小值、中值以及趨勢;
16、將所述統(tǒng)計特性與設(shè)定的提示詞模板相結(jié)合,得到最終的文本提示詞;
17、將得到的文本提示詞通過預(yù)訓練的bert模型進行分詞和編碼,得到文本提示詞嵌入epropmt。
18、進一步的,所述腦電信號嵌入具體為:
19、對于數(shù)據(jù)增強后的所述腦電數(shù)據(jù)集中的每一個腦電數(shù)據(jù)按照預(yù)設(shè)的固定長度進行分塊操作;
20、使用conv1d對分塊后的數(shù)據(jù)塊進行卷積以提取時序特征;
21、通過平均池化和線性操作進行數(shù)據(jù)降維;
22、采用dropout正則化處理;
23、通過位置編碼保留信號的時序信息;
24、通過broadcasting操作調(diào)整數(shù)據(jù)維度得到最終的腦電信號嵌入eeeg。
25、進一步的,所述步驟(4)具體為:將腦電信號嵌入eeeg和文本提示詞嵌入epropmt輸入至多頭注意力機制中進行特征融合,所述腦電信號嵌入eeeg被用作查詢向量,文本提示詞嵌入eprompt被用作鍵向量和值向量,得到最終用于分類的特征;
26、
27、其中:q,k,v分別為查詢、鍵和值向量,dk為縮放因子。
28、進一步的,所述情緒分類模型包括全連接層和softmax層;
29、輸入數(shù)據(jù)通過全連接層生成情緒類別的概率分布:
30、y=w*h+b
31、其中:w是權(quán)重矩陣,h表示情緒特征向量,由嵌入交互層輸出的高維特征經(jīng)過平均池化后得到,b為偏置項;
32、通過softmax操作,模型輸出不同情緒類別的概率:
33、
34、其中:yi表示類別i的線性輸出,為類別i的預(yù)測概率;
35、最終選擇概率最大的一類作為模型的情緒識別結(jié)果。
36、本發(fā)明還提供了一種基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別系統(tǒng),包括:
37、數(shù)據(jù)采集模塊,用于獲取腦電數(shù)據(jù)集,并進行預(yù)處理;
38、數(shù)據(jù)增強模塊,用于對于預(yù)處理后的所述腦電數(shù)據(jù)集,采用本文提出的多尺度滑動窗口技術(shù)進行數(shù)據(jù)增強;
39、特征提取模塊,用于對于數(shù)據(jù)增強后的所述腦電數(shù)據(jù)集數(shù)據(jù),進行腦電信號嵌入和文本提示詞嵌入,并將所述腦電信號嵌入和文本提示詞嵌入進行特征融合;
40、建模及訓練模塊,用于構(gòu)建情緒分類模型,使用融合后的特征訓練所述情緒分類模型;
41、情緒識別模塊,用于獲取待分類腦電數(shù)據(jù),輸入訓練好的所述情緒分類模型,完成情緒識別。
42、本發(fā)明還提供了一種計算機可讀存儲介質(zhì),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)如上所述的基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法。
43、本發(fā)明還提供了一種電子設(shè)備,包括存儲器和處理器,所述存儲器存儲有計算機程序,所述計算機程序被所述處理器執(zhí)行時,使得所述處理器執(zhí)行如上所述的基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法的步驟。
44、本發(fā)明的有益效果:
45、(1)本發(fā)明通過多尺度滑動窗口技術(shù),增強了數(shù)據(jù)多樣性,從而顯著提高了情緒識別的準確性。
46、(2)本發(fā)明通過引入文本提示詞機制,巧妙地將腦電信號和文本提示詞相融合,為模型提供了語義上下文引導,使其能夠更準確地將生理特征與情緒類別相關(guān)聯(lián),從而解決了腦電信號缺乏明確語義表達的固有限制,同時避免了傳統(tǒng)方法中繁瑣的人工特征提取過程,實現(xiàn)了端到端的集成化設(shè)計,實現(xiàn)了高效的情緒識別。
47、(3)本發(fā)明方法具有較高的處理速度和準確度,能夠廣泛適用于心理健康監(jiān)測、人機交互、情感調(diào)節(jié)等多種實際應(yīng)用場景。
1.一種基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法,其特征在于,包括如下步驟:
2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法,其特征在于,所述預(yù)處理包括:
3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法,其特征在于,所述步驟(2)具體為:將所述腦電數(shù)據(jù)集中的每一個腦電數(shù)據(jù)按照k個時間窗口,以預(yù)定重疊率分別進行多尺度滑動分割,生成對應(yīng)的信號片段集合;將各尺度片段沿樣本維度拼接后,通過非重疊滑動窗口進行二次分塊處理,每一塊作為一個腦電數(shù)據(jù),得到增強后的數(shù)據(jù)集。
4.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法,其特征在于,所述文本提示詞嵌入具體為:
5.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法,其特征在于,所述腦電信號嵌入具體為:
6.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法,其特征在于,所述步驟(4)具體為:將腦電信號嵌入eeeg和文本提示詞嵌入epropmt輸入至多頭注意力機制中進行特征融合,所述腦電信號嵌入eeeg被用作查詢向量,文本提示詞嵌入eprompt被用作鍵向量和值向量,得到最終用于分類的特征;
7.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法,其特征在于:所述情緒分類模型包括全連接層和softmax層;
8.一種基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別系統(tǒng),其特征在于,包括:
9.一種計算機可讀存儲介質(zhì),存儲有計算機程序,其特征在于,所述計算機程序被處理器執(zhí)行時,實現(xiàn)如權(quán)利要求1-7任一項所述的基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法。
10.一種電子設(shè)備,包括存儲器和處理器,其特征在于,所述存儲器存儲有計算機程序,所述計算機程序被所述處理器執(zhí)行時,使得所述處理器執(zhí)行如權(quán)利要求1-7任一項所述的基于數(shù)據(jù)增強與文本提示詞機制的腦電情緒識別方法的步驟。