一种基于改进WOA算法的脑电情绪识别方法

一种基于改进woa算法的脑电情绪识别方法
技术领域
1.本发明属于脑科学与信号处理交叉研究领域。


背景技术：

2.本发明是一种基于改进woa算法的脑电情绪识别新方法，通过使用机器学习方法对使用者的情绪进行识别的技术，选用单模态的脑电信号进行分析处理。本方法作为一种高效的优化方案，可以寻找并展示每个的被试最佳的适用情绪特征以及全主动对分类器参数进行自动调优，以获得最高的分类精确度，在医疗、公安、军事以及日常的用户体验等领域都有不错的应用价值。
3.情绪识别的研究自上世纪八十年代开始便引起了许多研究的关注。但受到初期的设备及技术的局限，关于情绪识别研究主要依赖对非生理信号进行分析处理来判断人们的情绪状态。它包括了外在的行为信息例如表情、语音、语调、手势等，但人们不难对自身的意志进行控制来隐藏自身外在表现从而不被非生理信号所察觉情绪状态，这对情绪识别的准确率造成极大的影响。而生理信具备了其不易受主观意识控制的优良特性。基于生理信号的情绪识别方法，主要包括基于自主神经系统的情绪识别和基于中枢神经系统的情绪识别。这些自主神经系统的生理信号虽然无法伪装，但多数和情绪相关性不大，因此不太适合于实际应用。其中，只有脑电信号，与情绪相关性强等优点。因此，单独采取脑电信号可以高效的进行对人情绪的识别。
4.近几年来随着脑机接口技术的兴起，脑电情绪识别技术的实现创造了一种全新的方式来进行人机交互，利用计算机智能对人的精神健康的研究受到关注，许多研究团队实现了脑电对情绪识别，如通过想六种高效特征对五类情绪进行有效分类，利用多通道脑电图(eeg)进行情绪识别的新框架对情绪脑电进行识别，但这些都是由人工来对识别方法进行调节，训练速度也存在过于漫长的缺点，而且，处理方式遗漏了一定脑电特征的信息。
5.综上所述，现有的人机交互情绪识别技术存在以下问题：
6.(1)融合过多模态导致方法有太多不必要冗余度，例如同时融合面部表情信息和脑电信息，脑电情绪状态与面部状态的并不是一对一的，人伪装的面部信号就会给识别模型造成极大的干扰。而融合类心率、血压等生理信号进行情绪识别提升的识别准确率很小，意义不大。
7.(2)不同人之间的脑电信号差异很大，故机器学习在识别过程中需要人为进行特征提取筛选并对特征集合进行优化，这对使用者的脑电特征和分类器熟练度有着很高的要求。
8.(3)脑电信号特征分为三类：时域特征、频域特征与时频域特征。机器学习需要人工对这三类特征提取将产生过大的工作量。但深度学习的特征提取阶段往往具有一定的倾向性，造成对其他两类特征的信息遗漏。
9.本发明提出的基于脑电情绪识别的新方法，引入改进后woa算法对整个方法优化，实现对每个被试的独有特征集筛选与相应分类器参数调节，可以有效克服以上问题，为脑
电特征提取筛选与分类器参数优化提出了新的途径，相关研究目前国内尚无相关报道。


技术实现要素：

10.发明内容整体框图如附图1所示。
11.把特征集输入极限学习机(elm)由改进的woa算法进行多步骤优化调节，而后以最佳极限学习机参数训练模型，导入最优特征集合，以获得单个被试的最佳分类精度。
12.具体发明内容如下：
13.(1)改进woa算法：woa算法对鲸鱼捕食方法模拟来在解空间多次迭代进行寻优以获得最优解，其搜索方法对于鲸鱼群的三种捕食方式：气泡网捕食、包围捕食与随机搜索对于公式如下
14.x(t 1)＝d'
×ebl
×
cos(2πl) x
*
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
15.x(t 1)＝x
*
(t)-a
·dꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
16.x(t 1)＝x
rand
(t)-a
·dꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
17.t表示当前迭代次数，a和c是系数向量，x*(t)是目前得到的最佳解的位置向量，x(t) 向量是位置向量，x
rand
(t)为从当前种群中选择的随机位置向量，b为对数螺线形状常数，l 是[-1,1]之间的随机数，d表示当前代理与当前最优解之间的距离，d'表示当前代理与当前随机解之间的距离；传统的woa算法是由随机搜索后根据概率p随机进行其他两种捕食行为如下公式，其中预设值x取0.5,；
[0018][0019]
p为捕食机制概率，值域为[0,1]的随机数。随着迭代次数t的增加，参数a和收敛因子 a逐渐减小，若|a|《1，则各代理逐渐包围当前最优解，在woa中属于局部寻优阶段，对此选使用自适应tanh函数来改进woa优化算法中的概率p的机制来对算法进行改进，tanh函数式子如下；
[0020][0021][0022]
传统woa算法迭代时会进行一定区域的解空间遍历，对于代理种群在迭代的前期解空间搜索未遍历区域，包围搜索策略可以更好搜索这些区域，而在迭代后期解空间已有很多区域已被遍历过，后期时包围搜索很容易重复对解空间某区域进行不必要的重复遍历，以下为改进方式以减少这种遍历重复的情况。用自适应双曲正切函数替换传统woa算法p区间上限，将p的区间由[0,1]变成[0,tanh(t)]；其中t为当前迭代次数，t
max
为最大迭代次数。改进了算法搜索迭代的前后期中包围捕食、气泡网捕食策略执行次数比例，增加迭代后期局部搜索时气泡网捕食策略的执行概率，使代理种群前期策略执行倾向全局搜索，后期代理种群集中优势区域倾向局部搜索。
[0023]
以下函数出自各优化算法常用测试函数库进行算法性能测试，其寻最小值测试结果附于图4，证明了改进后的woa算法相较于传统woa算法具备更快的收敛速度与更强的全局搜索能力：
[0024]
f1＝-(sin(2x 1) 2sin(3x 2) 3sin(4x 3) 4sin(5x 4) 5sin(6x 5))
ꢀꢀꢀ
(7)
[0025][0026][0027]
f4＝((x2 y2)
0.25
)((sin(50(x2 y2)
0.1
)2) 1
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0028]
(2)基于改进woa智能调控技术：在特征提取步骤完成后随机选取特征集合以及极限学习机的隐藏神经元参数和激活函数，训练初始elm模型后计算代理适应值如下式，其中 mci是通过使用解i获得的错误分类模式数，适应度函数值需要最大化。
[0029][0030]
若干次计算后形成代理种群，比较并保存出最优代理后进入下一轮迭代，按照改进后的 woa搜寻策略来搜索查找更优elm参数并对特征组合进行初期的全局搜索调整，重新对 elm模型进行训练，而后更新下一轮代理种群；对整个情绪识别方法进行不断地优化迭代，在达到设置最大迭代次数后输出最优种群以及适应值最优个体，训练最优参数模型。
[0031]
本发明首次将改进后的智能集群算法加入人机情绪识别交互中，与现有技术相比，本发明具有以下创新和优势：
[0032]
(1)被试之间脑电信号具有差异，故最佳特征集合都不相同为了筛选获得最佳个人特征集合利用改进后的woa算法来进行特征选取，同时特征集具备若干种优势脑电特征覆盖了时域、频域以及时频域，可以确保特征总集合覆盖任意被试的最佳特征组，作为提取当前被试最佳脑电情绪特征组合的前提，完成对个人脑电信息的充分挖掘。
[0033]
(2)通过改进woa算法实现在基于距离的吸引机制方面，改进后的woa可以自动将整个群划分为多个子群，自然高效地处理非线性、多峰优化问题。并且woa不使用历史上的单个最佳解决方案，这避免了过早收敛的任何潜在缺点。woa需要调整的参数很少，改进后的算法只需要调节种群数量与迭代次数。
[0034]
(3)相比传统机器学习，本发明省去了人工特征筛选与评估的过程，大大减少了对人力的需求和对操作者的使用难度；相比深度学习，本发明有着更短的训练时间以及极低的硬件要求，不存在因为设备配置一般而出现运行效果不佳的问题，而且特征集覆盖三种脑电特征，完成对个人脑电信息的充分分析。
附图说明
[0035]
图1为发明内容整体框图
[0036]
图2为改进后woa算法流程框图
[0037]
图3为脑电情绪识别方法框图
[0038]
图4为改进后woa算法与传统woa算法效率对比图
具体实施方式
[0039]
具体实施方式如附图3所示，详细说明如下：
[0040]
步骤一：对被试进行情绪诱导范式的刺激可选范式包括：视觉刺激、听觉刺激、自传体回忆、情景程序、意象，并记录下相应脑电信号。
[0041]
步骤二：将脑电信号进行选择导联、伪迹检测、带通滤波等预处理操作后开始对若
干种时域特征、频域以及时频特征进行提取。
[0042]
步骤三：在总特征中随机选取三组特征作为初始特征集与并随机产生初始极限学习机参数，训练初始极限学习机模型，把具有l个隐藏神经元和激活函数g(x)的slfn的输出表示为：
[0043][0044]
其中wi＝[w
i1
,
…
,w
id
]t和βi是输入权重和隐藏神经元的偏差。βi＝[β
i1
，...，β
im
]
t
是输出权重， wi·
xi是wi和xi的内积，后计算标准slfn输出权重参数βi，i＝1,
…
,l；
[0045][0046]
步骤四：设置改进后的woa算法初始参数，包括代理种群数量以及迭代次数以及策略预设值x。
[0047]
步骤五：将slfn输出权重参数代入按照式11计算总体中各个代理的适应度，按代理种群数量反复训练生成足够数量的代理种群并对各代理适应值排序，将最大适应值个体保存并以适应值大小为依据对种群所有个体排序。
[0048]
步骤六：计算所有代理系数向量a和c、位置向量x(t)，构建解空间下种群。
[0049]
步骤七：在改进后由自适应tanh函数确定的区间内生成p值，对生成p值对比预设值x 进行判断，选择是否执行气泡网捕食策略，若满足则按照式1执行策略后完成当前轮迭代任务进入步骤九，若p值对比预设值不满足条件则进入步骤八。
[0050]
步骤八：计算|a|对比预设值x进行判断，确定是否选取包围捕食策略，若满足则按照式2 执行策略后完成当前轮代次数任务，如不满足则按照式3进行随机寻优。
[0051]
步骤九：迭代计数器加1，保存当前轮次的最优个体记录为本轮次最佳代理。
[0052]
步骤十：反复进行迭代并判断是否达到设定最大迭代次数，在达到最大迭代次数时输出该轮模型作为最优模型。