一种脑电信号情绪识别方法、系统及设备

1.本发明涉及信号处理技术领域，特别是涉及一种脑电信号情绪识别方法、系统及设备。


背景技术：

2.情绪是人们对外界环境感知后自发产生的一种情感状态，对人们的日常生活起着重要的作用，如何正确识别情绪是实现正常互动的一个重要步骤。目前，随着可穿戴设备的发展，基于脑电信号的情绪识别越来越受到关注。为达到有效识别情绪的目的，研究人员会使用高维特征作为模型的输入。这些特征通常包括不相关、冗余的特征，可能会导致过拟合的问题，大大限制模型的性能。因此需要利用特征选择方法从这些特征中选出最优特征子集。
3.在早期基于脑电信号的情绪识别的研究阶段，特征选择通常被当作一个单目标优化问题，因此过去的单目标优化算法旨在提高分类准确率。比如，he等提出了一种萤火虫集成优化算法，通过排序概率反对函数保证了在较少特征情况下获得较高准确率。tahir等将混沌映射与遗传算法结合，提出了一种二进制混沌遗传算法用于搜索最优的特征子集。
4.事实上，在基于脑电信号情绪识别的特征选择过程中，期望的结果是特征维度低(目标1)、分类精度高(目标2)，但是通常这两个目标相互冲突，因此是一个多目标优化问题。多目标优化算法是专门用来解决多目标优化问题。比如，moctezuma等利用nsga-ii设计了脑电通道选择的优化过程，以获得一组情绪识别精度高的通道组合。
5.然而，当前研究不同情感音乐刺激的多目标脑电特征选择方法较少，同时利用多目标优化算法实现基于脑电情绪识别的特征选择时还存在以下不足：(1)在搜索过程中，易陷入局部最优，导致无法进一步全局搜索；(2)计算复杂度高，搜索效率低。


技术实现要素：

6.本发明的目的是提供一种脑电信号情绪识别方法、系统及设备，能够提高识别准确率和搜索效率。
7.为实现上述目的，本发明提供了如下方案：
8.一种脑电信号情绪识别方法，包括：
9.获取不同情感音乐刺激下的原始脑电信号；
10.对原始脑电信号进行预处理；
11.对预处理后的脑电信号进行特征提取以及标准化处理，确定原始特征集；
12.确定原始特征集中每个特征的重要性；
13.根据每个特征的重要性，采用多目标灰狼算法，确定一组非支配解；一组非支配解中的非支配解对应的灰狼个体为特征子集集合；
14.根据特征子集集合确定原始脑电信号的分类，实现情绪识别。
15.可选地，所述对原始脑电信号进行预处理，具体包括：
16.对原始脑电信号进行滤波处理；
17.对滤波处理后的原始脑电信号进行伪影去除处理。
18.可选地，所述对预处理后的脑电信号进行特征提取以及标准化处理，确定原始特征集，具体包括：
19.确定情感音乐中与情感相关的特定频段对应的脑电信号，并提取脑电信号的特征，确定特征集合；
20.利用z-score对特征集合进行标准化，确定原始特征集合。
21.可选地，所述确定原始特征集中每个特征的重要性，具体包括：
22.确定原始特征集中类别总数和每类别的样本数；
23.利用公式公式计算每维特征的fisher得分f
fisher_score
(i)；
24.利用公式计算特征xi和xj之间的互信息值
25.利用公式确定特征xi的互信息平均值
26.利用公式确定特征xi的分数
27.利用公式确定每维特征的重要性得分
28.其中，xi表示第i维特征，xj表示第j维特征s
b(i)
和s
w(i)
分别表示第i维特征的类间方差和类内方差，h(xi)表示特征xi的熵，h(xj)表示特征xj的熵，h(xi,xj)表示特征xi和特征xj的联合熵，n表示特征维数。
29.可选地，所述根据每个特征的重要性，采用多目标灰狼算法，确定一组非支配解，具体包括：
30.利用每个特征的重要性对灰狼种群进行初始化；
31.计算灰狼种群每个个体的目标值，并比较个体间的支配关系，确定一组初始的非支配解；
32.利用种群更新策略对所述种群进行更新，确定一组非支配解。
33.可选地，所述计算灰狼种群每个个体的目标值，并比较个体间的支配关系，确定一组初始的非支配解，具体包括：
34.计算灰狼种群每个个体中被选中的特征数目占所有特征数目的比率f
obj_1
和利用支持向量机算法计算灰狼种群每个个体的auc值的倒数f
obj_2
；
35.比较不同灰狼种群个体f
obj_1
和f
obj_2
的大小，当满足时，个体a为非支配解；其中s,r＝{1,2}，得到一组初始的非支配解。
36.可选地，所述利用种群更新策略对所述种群进行更新，确定一组非支配解，具体包括：
37.设置最大迭代次数maxiter、定义存储单元容量num_archive、设置目标函数f
obj_1
和目标函数f
obj_2
；
38.利用模糊选择算子选出三头领导狼，分别为α狼，β狼和δ狼；
39.对狼群进行二值化；
40.利用公式确定自适应变异算子；
41.其中，thr为自适应变异算子，iter是当前迭代次数；
42.将每次获得的非支配解添加到存储单元中，当有新的非支配解出现时，比较新的非支配解与存储单元中非支配解的关系，更新存储单元；
43.当达到迭代次数时，停止更新，最终获得一组非支配解。
44.一种脑电信号情绪识别系统，包括：
45.原始脑电信号获取模块，用于获取不同情感音乐刺激下的原始脑电信号；
46.原始脑电信号预处理模块，用于对原始脑电信号进行预处理；
47.原始特征集确定模块，用于对预处理后的脑电信号进行特征提取以及标准化处理，确定原始特征集；
48.特征的重要性确定模块，用于确定原始特征集中每个特征的重要性；
49.非支配解确定模块，用于根据每个特征的重要性，采用多目标灰狼算法，确定一组非支配解；一组非支配解中的非支配解对应的灰狼个体为特征子集集合；
50.识别模块，用于根据特征子集集合确定原始脑电信号的分类，实现情绪识别。
51.一种脑电信号情绪识别设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的方法。
52.可选地，所述存储器为计算机可读存储介质。
53.根据本发明提供的具体实施例，本发明公开了以下技术效果：
54.本发明所提供的一种脑电信号情绪识别方法、系统及设备，首先对原始脑电信号进行预处理，得到预处理后的脑电信号；接着提取脑电信号的不同特征，并计算特征的重要性；利用特征的重要性采用多目标灰狼算法，确定一组非支配解；进而确定原始脑电信号的分类，实现情绪识别。即本发明提供了一种面向不同情感音乐刺激的多目标灰狼脑电特征选择方法，避免在搜索过程中，易陷入局部最优，导致无法进一步全局搜索的问题，能够提高识别准确率和搜索效率。
附图说明
55.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
56.图1为本发明所提供的一种脑电信号情绪识别方法流程示意图；
57.图2为本发明所提供的一种脑电信号情绪识别方法整体流程示意图；
58.图3为本发明所提供实施例的流程框图；
59.图4为本发明所提供实施例灰狼种群更新流程图。
具体实施方式
60.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
61.本发明的目的是提供一种脑电信号情绪识别方法、系统及设备，能够能够获得一组精度和特征维数平衡的解，并提高在脑电情绪识别任务中，多目标特征搜索效率。
62.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
63.本发明实施例公开了一种脑电情绪识别任务中的多目标脑电特征选择方法，即一种面向不同情感音乐的多目标灰狼脑电特征选择方法(multi-objective gray wolf eeg feature selection method for different emotional music,mgwfs_dem)。首先对不同情感音乐刺激下的原始脑电信号进行预处理，得到预处理后的脑电信号；接着提取脑电信号的不同特征，包括微分熵(differential entropy，de)，分形维数(fractal dimension，fd)、差分不对称(differential asymmetry，dasm)、理性不对称(rational asymmetry，rasm)、高阶过零(higher-order crossings，hoc)、hjorth复杂度(hjorth complexity，hc)，并计算特征的fisher得分和互信息值，综合两者的得分对灰狼种群进行初始化；计算灰狼种群中每个个体的目标值，比较它们的支配关系，确定非支配解；然后通过种群更新策略，包括利用模糊选择算子和特征重要性对不同灰狼个体的目标函数进行比较，筛选出三头领导狼，再利用自适应变异算子跳出局部最优，不断更新，直至达到最大迭代数，从而最终获得一组非支配解。非支配解对应的灰狼个体即为特征子集集合。这为脑电信号特征选择提供了新的技术手段。
64.如图1和图2所示，本发明所提供的一种脑电信号情绪识别方法，包括：
65.s101，获取不同情感音乐刺激下的原始脑电信号。
66.s102，对原始脑电信号进行预处理。
67.s102具体包括：
68.对原始脑电信号进行滤波处理；对滤波处理后的原始脑电信号进行伪影去除处理。该步骤，具体包括：
69.s11，利用50hz的陷波滤波器去除了电力线的干扰。
70.s12，通过高通滤波器和低通滤波器保留0.5hz至45hz之间的信号。
71.s13，通过独立分量分析去除眼电信号伪影。
72.s103，对预处理后的脑电信号进行特征提取以及标准化处理，确定原始特征集。
73.s103具体包括：
74.确定情感音乐中与情感相关的特定频段对应的脑电信号，并提取脑电信号的特征，确定特征集合x；其中x＝{x1,x2,...,xn}，xi＝(x
i,1
,x
i,2
,...,x
i,j
,...,x
i,m
)，(i＝1,2,...,n；j＝1,2,...,m)，xi表示第i维特征，n表示特征维数，m表示样本数。
75.利用z-score对特征集合进行标准化，确定原始特征集合x'。
76.标准化的过程为：
77.依据公式进行标准化，确定原始特征集合x'。
78.其中，x
i,j
'表示第i维特征，第j个样本标准化后的数据；表示第i维特征的平均值，σ(xi)表示第i维特征的标准差。
79.作为一个具体的实施例，s102具体包括：
80.s21，由于alpha与情绪有关，因此提取脑电信号的alpha频段(8-13hz)，对脑电信号进行加窗分段，窗长2s，重叠率为50％
81.s22，按照通道，对每段脑电信号提取脑电信号的不同特征，包括微分熵，分形维数、差分不对称、理性不对称、高阶过零、hjorth复杂度；并对提取的脑电特征取平均值，构成特征集合x，其中x＝{x1,x2,...,xn}，xi＝(x
i,1
,x
i,2
,...,x
i,j
,...,x
i,m
)，(i＝1,2,...,n；j＝1,2,...,m)，xi表示第i维特征，n表示特征维数，m表示样本数。
82.s23，利用z-score对所述特征集合x依据公式标准化，并构成原始特征集合x'。其中，x
i,j
'表示第i维特征，第j个样本标准化后的数据；表示第i维特征的平均值，σ(xi)表示第i维特征的标准差。
83.s104，确定原始特征集中每个特征的重要性。
84.s104具体包括：
85.确定原始特征集中类别总数r(w1,w2,...,wr)和每类别的样本数km，其中
86.利用公式公式计算每维特征的fisher得分f
fisher_score
(i)。
87.利用公式计算特征xi和xj之间的互信息值
88.利用公式确定特征xi的互信息平均值
89.利用公式确定特征xi的分数
90.利用公式确定每维特征的重要性得分
91.其中，xi表示第i维特征，xj表示第j维特征s
b(i)
和s
w(i)
分别表示第i维特征的类间方差和类内方差，方差和类内方差，方差和类内方差，表示第m类中第i维特征的平均值，h(xi)表示特征xi的熵，h(xj)表示特征xj的熵，h(xi,xj)表示特征xi和特征xj的联合熵，n表示特征维数。
92.s105，根据每个特征的重要性，采用多目标灰狼算法，确定一组非支配解；一组非支配解中的非支配解对应的灰狼个体为特征子集集合。
93.s105具体包括：
94.s501，利用每个特征的重要性对灰狼种群进行初始化。
95.s501具体包括：
96.根据公式选中特征。即当大于随机给的一个数值，那么该特征就被选中，记为“1”；否则，不被选中，记为“0”。
97.s502，计算灰狼种群每个个体的目标值，并比较个体间的支配关系，确定一组初始的非支配解。
98.s502具体包括：
99.计算灰狼种群每个个体中被选中的特征数目占所有特征数目的比率f
obj_1
和利用支持向量机算法计算灰狼种群每个个体的auc值的倒数f
obj_2
。
100.比较不同灰狼种群个体f
obj_1
和f
obj_2
的大小，当满足时，个体a为非支配解；其中s,r＝{1,2}，得到一组初始的非支配解。
101.s503，利用种群更新策略对所述种群进行更新，确定一组非支配解。
102.s503具体包括：
103.设置最大迭代次数maxiter、定义存储单元容量num_archive、设置目标函数f
obj_1
和目标函数f
obj_2
。
104.利用模糊选择算子选出三头领导狼，分别为α狼，β狼和δ狼；定义一个函数u
ck
：
[0105][0106]
其中f
cmax
、f
cmin
、f
ck
分别表示第c个目标的最大值、最小值和其中的第k个解决方案的目标值。而目标函数第k个解决方案的隶属度值可表示为：
[0107][0108]
其中，nf表示目标函数个数，n
p
为非支配解个数。对每个非支配解的隶属度值进行排序，选取前三的解决方案作为领导狼。在进行模糊选择操作时，会出现两个及以上解决方案的隶属度值相同的情况，此时利用特征重要性进行评估，计算公式如下：
[0109]fsig_sum
＝sum(f
sig_#nsfeat
)。
[0110]
式中，f
sig_#nsfeat
表示被选中特征的重要性，f
sig_sum
越大的排序越高。
[0111]
对狼群进行二值化；并采用如下公式对狼群进行二值化：
[0112][0113]
利用公式确定自适应变异算子，避免算法在寻找情绪识别最优特征时陷入局部最优和出现早熟现象。为了解决这个问题，采用随机的方式，保证每个解决方案至少有一个元素被选中。
[0114]
其中，thr为自适应变异算子，iter是当前迭代次数；
[0115]
将每次获得的非支配解添加到存储单元中，当有新的非支配解出现时，比较新的非支配解与存储单元中非支配解的关系，更新存储单元；
[0116]
当达到迭代次数时，停止更新，最终获得一组非支配解。
[0117]
在迭代过程中，当出现新的非支配解进入存档单元时，那么需要比较存储单元中非支配解与新的非支配解之间的关系，此时将出现几种不同的情况：
[0118]
s51，当新的非支配能够被存储单元中任何一个成员支配时，则拒绝该新的非支配作为存档单元的成员。
[0119]
s52，当新的非支配解支配了存档单元中的解决方案，此时应该除去存档单元中的解决方案并将新的非支配解进入存档单元。
[0120]
s53，当新的非支配和存档单元中的解决方案互相不支配时，此时应该将新的非支配解进入到存档单元中。
[0121]
s106，根据特征子集集合确定原始脑电信号的分类，实现情绪识别。
[0122]
本发明首先对原始脑电信号进行预处理，得到预处理后的脑电信号；接着提取脑电信号的不同特征，并计算特征的fisher得分和互信息值，综合两者的得分对种群进行初始化；计算种群中每个个体的目标值，比较它们的支配关系，确定非支配解；然后通过种群更新策略，包括利用模糊选择算子和特征重要性对不同个体的目标函数进行比较，筛选出三头领导狼，再利用自适应变异算子跳出局部最优，不断更新，直至达到最大迭代数，从而最终获得一组非支配解。非支配解对应的灰狼个体即为特征子集集合。
[0123]
下面以采用上述提供的一种面向不同情感音乐刺激的多目标灰狼脑电特征选择的具体实施方式为例，对本发明提供的技术方案的优异性进行说明。在具体应用过程中，对于数值的改变均属于本发明的保护范围。
[0124]
如图3所示，多目标脑电特征选择过程具体如下：
[0125]
s2-1：对两种情感(happy和sad)音乐脑电数据集的原始脑电信号进行预处理。利用50hz的陷波滤波器去除了电力线的干扰。通过高通滤波器和低通滤波器保留0.5hz至45hz之间的信号。通过独立分量分析去除眼电信号伪影。
[0126]
s2-2：提取预处理后的脑电信号数据的alpha频段，然后进行特征提取并标准化，构成原始特征集。对脑电信号进行加窗分段，窗长2s，重叠率为50％，提取的脑电特征取平均值，构成特征集合x，共78维特征。利用z-score对所述特征集合x标准化，并构成原始特征集合x'。
[0127]
s2-3：计算标准化后特征集中每个特征的fisher得分和互信息值，并通过相乘综合得到每个特征的重要性。依据特征的重要性对灰狼种群初始化。
[0128]
s2-4：计算灰狼种群每个个体中被选中的特征数目占所有特征数目的比率f
obj_1
和利用支持向量机算法计算灰狼种群每个个体的auc值的倒数f
obj_2
，比较它们之间的支配关系，获得初始支配解。
[0129]
s2-5：利用种群更新策略对所述种群进行更新。利用模糊选择算子和特征重要性对不同个体的目标函数进行比较，筛选出三头领导狼，再利用自适应变异算子跳出局部最优，不断更新，直至达到最大迭代数，从而最终获得一组非支配解。非支配解对应的灰狼个体即为特征子集集合。
[0130]
图4为种群更新流程，具体操作为：
[0131]
s3-1，利用模糊选择算子和特征重要性对不同个体的目标函数进行比较，筛选出三头领导狼，更新其位置。
[0132]
s3-2，利用三头领导狼的位置，更新非领导狼群的位置。通过自适应变异算子，更新狼群位置。
[0133]
s3-3，重新计算更新后狼群个体的目标值，并比较它们之间目标值的支配关系，更新非支配解。
[0134]
s3-4，判断是否达到最大迭代数，如果达到最大迭代数，则输出最终的非支配解集；否则，重新s3-1、s3-2、s3-3的步骤，直至达到最大迭代数。
[0135]
将本发明的方法mgwfs_dem与另外一种多目标特征选择算法bmopso进行对比，获得的平均auc、平均特征维数和平均时长结果如表1所示。
[0136]
表1
[0137][0138]
从表1可以看出，在脑电信号alpha频段使用mgwfs_dem方法获得平均auc为0.646，平均特征维数为3.682(初始特征维数为78)，平均花费时长为777.814s；而bmopso得到的平均auc为0.565，平均特征维数为18.556，平均花费时长为1671.734s。数据结果说明mgwfs_dem方法性能优于bmopso，能够有效降低特征维度，并保持良好的搜索效率，减少搜索时长。
[0139]
应于上述提供的方法，本发明还提供了一种脑电信号情绪识别系统，包括：
[0140]
原始脑电信号获取模块，用于获取不同情感音乐刺激下的原始脑电信号；
[0141]
原始脑电信号预处理模块，用于对原始脑电信号进行预处理；
[0142]
原始特征集确定模块，用于对预处理后的脑电信号进行特征提取以及标准化处理，确定原始特征集；
[0143]
特征的重要性确定模块，用于确定原始特征集中每个特征的重要性；
[0144]
非支配解确定模块，用于根据每个特征的重要性，采用多目标灰狼算法，确定一组非支配解；一组非支配解中的非支配解对应的灰狼个体为特征子集集合；
[0145]
识别模块，用于根据特征子集集合确定原始脑电信号的分类，实现情绪识别。
[0146]
为了执行上述实施例对应的方法，以实现相应的功能和技术效果，本发明还提供一种脑电信号情绪识别设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的方法。
[0147]
所述存储器为计算机可读存储介质。
[0148]
基于上述描述，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备
等)执行本发明各个实施例方法的全部或部分步骤。而前述的计算机存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
[0149]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0150]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种脑电信号情绪识别方法，其特征在于，包括：获取不同情感音乐刺激下的原始脑电信号；对原始脑电信号进行预处理；对预处理后的脑电信号进行特征提取以及标准化处理，确定原始特征集；确定原始特征集中每个特征的重要性；根据每个特征的重要性，采用多目标灰狼算法，确定一组非支配解；一组非支配解中的非支配解对应的灰狼个体为特征子集集合；根据特征子集集合确定原始脑电信号的分类，实现情绪识别。2.根据权利要求1所述的一种脑电信号情绪识别方法，其特征在于，所述对原始脑电信号进行预处理，具体包括：对原始脑电信号进行滤波处理；对滤波处理后的原始脑电信号进行伪影去除处理。3.根据权利要求1所述的一种脑电信号情绪识别方法，其特征在于，所述对预处理后的脑电信号进行特征提取以及标准化处理，确定原始特征集，具体包括：确定情感音乐中与情感相关的特定频段对应的脑电信号，并提取脑电信号的特征，确定特征集合；利用z-score对特征集合进行标准化，确定原始特征集合。4.根据权利要求1所述的一种脑电信号情绪识别方法，其特征在于，所述确定原始特征集中每个特征的重要性，具体包括：确定原始特征集中类别总数和每类别的样本数；利用公式公式计算每维特征的fisher得分f
fisher_score
(i)；利用公式计算特征x
i
和x
j
之间的互信息值利用公式确定特征x
i
的互信息平均值利用公式确定特征x
i
的分数利用公式确定每维特征的重要性得分其中，x
i
表示第i维特征，x
j
表示第j维特征s
b(i)
和s
w(i)
分别表示第i维特征的类间方差和类内方差，h(x
i
)表示特征x
i
的熵，h(x
j
)表示特征x
j
的熵，h(x
i
,x
j
)表示特征x
i
和特征x
j
的联合熵，n表示特征维数。5.根据权利要求1所述的一种脑电信号情绪识别方法，其特征在于，所述根据每个特征的重要性，采用多目标灰狼算法，确定一组非支配解，具体包括：利用每个特征的重要性对灰狼种群进行初始化；计算灰狼种群每个个体的目标值，并比较个体间的支配关系，确定一组初始的非支配
解；利用种群更新策略对所述种群进行更新，确定一组非支配解。6.根据权利要求5所述的一种脑电信号情绪识别方法，其特征在于，所述计算灰狼种群每个个体的目标值，并比较个体间的支配关系，确定一组初始的非支配解，具体包括：计算灰狼种群每个个体中被选中的特征数目占所有特征数目的比率f
obj_1
和利用支持向量机算法计算灰狼种群每个个体的auc值的倒数f
obj_2
；比较不同灰狼种群个体f
obj_1
和f
obj_2
的大小，当满足时，个体a为非支配解；其中s,r＝{1,2}，得到一组初始的非支配解。7.根据权利要求5所述的一种脑电信号情绪识别方法，其特征在于，所述利用种群更新策略对所述种群进行更新，确定一组非支配解，具体包括：设置最大迭代次数max iter、定义存储单元容量num_archive、设置目标函数f
obj_1
和目标函数f
obj_2
；利用模糊选择算子选出三头领导狼，分别为α狼，β狼和δ狼；对狼群进行二值化；利用公式确定自适应变异算子；其中，thr为自适应变异算子，iter是当前迭代次数；将每次获得的非支配解添加到存储单元中，当有新的非支配解出现时，比较新的非支配解与存储单元中非支配解的关系，更新存储单元；当达到迭代次数时，停止更新，最终获得一组非支配解。8.一种脑电信号情绪识别系统，其特征在于，包括：原始脑电信号获取模块，用于获取不同情感音乐刺激下的原始脑电信号；原始脑电信号预处理模块，用于对原始脑电信号进行预处理；原始特征集确定模块，用于对预处理后的脑电信号进行特征提取以及标准化处理，确定原始特征集；特征的重要性确定模块，用于确定原始特征集中每个特征的重要性；非支配解确定模块，用于根据每个特征的重要性，采用多目标灰狼算法，确定一组非支配解；一组非支配解中的非支配解对应的灰狼个体为特征子集集合；识别模块，用于根据特征子集集合确定原始脑电信号的分类，实现情绪识别。9.一种脑电信号情绪识别设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。10.根据权利要求9所述的一种脑电信号情绪识别设备，其特征在于，所述存储器为计算机可读存储介质。

技术总结
本发明公开一种脑电信号情绪识别方法、系统及设备，涉及信号处理技术领域，该方法包括获取不同情感音乐刺激下的原始脑电信号；对原始脑电信号进行预处理；对预处理后的脑电信号进行特征提取以及标准化处理，确定原始特征集；确定原始特征集中每个特征的重要性；根据每个特征的重要性，采用多目标灰狼算法，确定一组非支配解；一组非支配解中的非支配解对应的灰狼个体为特征子集集合；根据特征子集集合确定原始脑电信号的分类，实现情绪识别本发明能够提高识别准确率和搜索效率。能够提高识别准确率和搜索效率。能够提高识别准确率和搜索效率。


技术研发人员：孙淑婷 钱昆 罗刚 胡斌
受保护的技术使用者：北京理工大学
技术研发日：2023.06.08
技术公布日：2023/10/6