一种基于Dual-CNN+GAN的多模态睡眠分期情绪识别方法

本发明提出一种基于Dual‑CNN+GAN的多模态睡眠分期情绪识别方法。该方法获取脑电、心电等生理参数数据，经预处理构建多模态数据集，然后分别构建用于睡眠分期和情绪识别的卷积神经网络(CNN)模型，将多模态数据作为输入，睡眠时期和情绪标签作为输出。再构建生成对抗网络(GAN)模型，将CNN输出作为GAN输入，最终得到睡眠分期和情绪识别结果。采用贝叶斯优化调整CNN模型超参数，获得初步优化模型，然后构建自适应惩罚正则化函数和对抗性训练损失函数，分别对CNN和GAN进行二次优化。优化后的Dual‑CNN+GAN模型能够有效识别睡眠分期和情绪状态。该发明还利用强化学习算法，根据模型输出结果和用户睡眠数据，给出个性化的睡眠规律分析和建议，以改善睡眠质量。与现有技术相比，本发明模型Dual‑CNN+GAN架构可提高模型整体性能和泛化能力，同时处理睡眠分期和情绪识别实现联合优化。