一种实现情绪识别的EEG脑网络最大团检测方法及系统

一种实现情绪识别的eeg脑网络最大团检测方法及系统
技术领域
1.本发明属于信号处理技术研究领域，更具体而言，涉及一种实现情绪识别的eeg脑网络最大团检测方法及系统，可用于分类识别个体的情绪状态。


背景技术：

2.如今，情感计算领域已经成为发展迅速的人工智能研究课题中的一个焦点，而情绪识别是情感计算中最具有应用价值的研究点。情绪识别是通过获取人的生理或非生理信号辨别其情绪状态，即根据输入的数据自动对用户的情绪状态进行分类，以此来使人机交互更加智能化。常见的情绪识别方法可以分为两类：一类是基于语音、面部表情和姿势等非生理信号的情绪识别方法，另一类是基于生理信号的情绪识别，主要包括外围神经系统和脑信号。由于不同文化和国家的差异性，利用生理信号特征进行情绪识别将比非生理信号产生更准确的结果。
3.人脑拥有最高级的中枢神经系统，它在人类的情感产生过程中起到了主要的作用。近年来，非侵入性大脑信号采集技术的发展促进了研究者们对大脑机制和情绪之间关系的理解。在各种生理信号中，脑电图是一种由于脑神经细胞的电生理活动而在大脑皮层产生的一种复杂而不平稳的随机信号，是人脑神经元活动的综合反映，蕴含了丰富的生理和疾病信息，能够提供有关脑功能时空信息的真实的脑映射。无创脑电图具有采集方便、高时间分辨率、可进行实时监控、获取容易等优点，它直接从大脑皮层捕获，有利于反映人的心理状态，因此成为目前研究情绪唤醒过程的大脑机制使用最广泛应用的技术之一。
4.然而，大脑是一个复杂的动态系统，不同情绪产生时大脑结构的动态变化对于研究者来说是难以捉摸的，单纯利用脑电设备中离散的电极采集到的通道信息不足以反映大脑各区域之间的耦合关系。近年来随着脑科学、计算科学、复杂系统等领域的发展，结合复杂网络理论的eeg脑网络研究逐渐成为新的研究热点。结合复杂网络分析理论来构建eeg功能脑网络，研究人类不同情感的脑功能信息处理机制、不同情感状态下的人脑功能网络的差异与特点有助于人们更好地认识人脑信息加工与感知反馈等机制。bressler等人指出认知是由分布的脑区在大规模网络中运行的动态交互作用而不是单个脑区孤立的操作而产生的，而现有的研究对于脑网络的拓扑属性分析并不充分，且缺少空间上脑区之间相互交流的信息使得情绪识别过程中难以提取到有效的关键特征，情绪识别率不高。


技术实现要素：

5.针对上述情况，本发明提出一种实现情绪识别的eeg脑网络最大团检测方法及系统，可以解决现有的脑网络相关研究中对各脑区交互作用不明确且情绪识别准确率不高的问题。
6.本发明所述的一种实现情绪识别的eeg脑网络最大团检测方法及系统，其特征在于，包括以下步骤：
7.步骤1：通过估计脑电通道间信号的相位同步关系构建基于eeg的功能性脑网络，
定义头皮电极位置作为节点，相位锁值(phase locking value，plv)作为度量脑电通道之间关联关系的连接边，其权值大小代表情绪活动下各脑区之间的相位同步程度；
8.步骤2：计算脑网络中所有节点的节点度属性；
9.步骤3：对脑网络中的每个节点，计算其节点度k对应的加权rich-club系数φw(k)(k代表网络中节点的节点度，w代表加权的)；
10.步骤4：计算归一化的rich-club系数φ
normw
(k)(norm代表归一化的)；
11.步骤5：筛选参与最大团检测的节点，若归一化后的rich-club系数值大于1，表明rich-club结构存在，留下节点度所对应的rich-club系数大于1的节点，删除其余节点；
12.步骤6：将脑区节点按照节点度从小到大的顺序排列，算法执行过程中优先处理节点度低的节点，使得通过尽量少的递归次数完成plv脑网络中最大团的计算；
13.步骤7：利用bron-kerbosch算法进行脑网络极大团检测；
14.步骤8：设定节点数最多的极大团为最终的最大团，它代表任务状态下功能性脑网络的关键结构；
15.步骤9：按50％的稀疏度对脑网络最大团进行阈值化处理，得到阈值化后的最大团结构；
16.步骤10：提取脑网络最大团结构的拓扑特征；
17.步骤11：构造完善的情绪识别系统，进行分类识别。
18.对比现有技术，本技术方案所述的一种实现情绪识别的eeg脑网络最大团检测方法及系统，有益效果在于：
19.(1)利用脑网络中的rich-club结构筛选构建最大团的有效节点，增加结果准确性，减少时间成本；
20.(2)对bron-kerbosch这一最大团检测算法进行了优化，在最大程度上减少算法递归次数，降低算法的时间复杂度，从而提高效率；
21.(3)提出一种基于脑网络最大团的情绪识别系统，提取最能代表大脑处理情绪活动时信息交互模式的最大团的拓扑特征进行情绪识别，增加了情绪识别准确率。
附图说明
22.图1为一种实现情绪识别的eeg脑网络最大团检测方法的实施流程图
23.图2为基于脑网络最大团的情绪识别系统框架图
具体实施方式
24.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明的具体实施方式作进一步详细说明。
25.(1)eeg脑网络最大团检测方法。如图1所示，该方法包括以下步骤：
26.构建plv脑网络：通过估计脑电通道间信号的相位同步关系构建基于eeg的功能性脑网络，定义头皮电极位置作为节点，相位锁值作为度量脑电通道之间关联关系的连接边，其权值大小代表情绪活动下各脑区之间的相位同步程度；
27.计算脑网络中所有节点的节点度属性；
28.对脑网络中的每个节点，计算其节点度k对应的加权rich-club系数φw(k)；
29.计算归一化的rich-club系数φ
normw
(k)：对于每一个网络，构建1000个随机网络，这些随机网络满足和plv网络有相同度分布和网络连接数的条件，然后计算每个随机网络在不同给定值k下的rich-club系数，最后求得这1000个随机网络系数的平均值φ
randomw
。归一化rich-club系数由φw(k)与φ
randomw
的比值来表示；
30.筛选参与最大团检测的节点：若归一化后的rich-club系数值大于1，表明rich-club结构存在，留下节点度所对应的rich-club系数大于1的节点，删除其余节点；
31.节点排序：将脑区节点按照节点度从小到大的顺序排列，算法执行过程中优先处理节点度低的节点，使得通过尽量少的递归次数完成plv脑网络中最大团的计算；
32.利用bron-kerbosch算法进行脑网络极大团检测；
33.设定节点数最多的极大团为最终的最大团，它代表任务状态下功能性脑网络的关键结构；
34.按50％的稀疏度对脑网络最大团进行阈值化处理，得到阈值化后的最大团结构；
35.提取脑网络最大团结构的拓扑特征。
36.图1中标号1所指的两个步骤(计算节点度、节点排序)是对bron-kerbosch的优化操作，由于节点度代表此节点所关联的边数，因此以节点度为条件，对节点进行排序，使得节点度小的节点首先进入迭代过程中。这种优化思路有效避免了算法执行过程中出现过多的冗余步骤。
37.图1中标号2所指的三个步骤(计算rich-club系数、计算归一化rich-club系数、筛选节点)目的在于保证最终检测出的最大团来源于网络中有rich-club结构存在时，因为rich-club结构的出现代表脑网络中各脑区之间相互关联，共同协调工作，处理特定任务，此时检测出的最大团是最能代表大脑处理信息交互的关键架构。
38.图1中标号3所指的步骤(最大团阈值化处理)利用阈值化处理的方式去除弱连接，设定50％的稀疏度筛选最大团中的连接边，只留下权值较大的前50％的连接边，这样的处理方式使得最大团结构在保留有效强连接的同时不再具有全连通特性，为后续的拓扑特征提取奠定基础。
39.(2)构建基于脑网络最大团的情绪识别系统。如图2所示，系统主要包括三个主要模块：实时信号采集模块、实时信号处理模块以及情绪识别结果展示模块。
40.实时信号采集模块：包括eeg信号采集与网络通信实时传输，首先用eeg信号采集设备(脑电帽)对信号进行采集，再利用网络通信将eeg信号实时传输至信号处理模块。
41.实时信号处理模块：包括信号预处理、构建功能性脑网络、最大团检测、计算最大团测度以及分类识别，首先对采集到的信号进行去伪迹处理，再利用plv量化eeg的相位同步程度，从而构建出脑网络，接着进行图1中的各个步骤，寻找网络中的最大团，找到后计算最大团的各个测度，送入分类器进行分类识别。
42.情绪识别结果展示模块：包括实时无线传输与显示指令编码，利用实时无线传输设备接收到信号处理模块输出的分类结果后，进行显示指令编码，使得最终的分类结果可以在显示器上呈现出来。
43.上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。