一种用于人类认知模式识别的特征归一化方法及系统技术方案

本发明专利技术提供了一种用于人类认知模式识别的特征归一化方法及系统，该方法通过将特征数据按用户分组以形成特征矩阵，基于预定的归一化函数对特征矩阵进行分组参数估计以得到每个分组对应的分组参数，能够基于分组参数对特征矩阵的每个分组分别构建归一化函数，并利用构建的归一化函数对特征矩阵进行分组归一化处理。本方法采用多个归一化函数对认知模式特征数据进行归一化处理，既保留了现有特征整体归一化方法的优点，又减少了特征数据内部分布尺度过大的问题，从而提高了分类正确率，并具有很强的鲁棒性。

【技术实现步骤摘要】
【专利摘要】本专利技术提供了一种用于人类认知模式识别的特征归一化方法及系统，该方法通过将特征数据按用户分组以形成特征矩阵，基于预定的归一化函数对特征矩阵进行分组参数估计以得到每个分组对应的分组参数，能够基于分组参数对特征矩阵的每个分组分别构建归一化函数，并利用构建的归一化函数对特征矩阵进行分组归一化处理。本方法采用多个归一化函数对认知模式特征数据进行归一化处理，既保留了现有特征整体归一化方法的优点，又减少了特征数据内部分布尺度过大的问题，从而提高了分类正确率，并具有很强的鲁棒性。【专利说明】一种用于人类认知模式识别的特征归一化方法及系统
本专利技术属于人类认知模式识别
，特别涉及一种用于人类认知模式识别的特征归一化方法及系统。
技术介绍
认知模式识别是指计算机通过分析人的外在行为特征达到对其内部心理模式的理解，特别是在人机交互中对于人的目的、意图进行识别和判断。使用模式识别技术对于人的不同认知模式的识别是近几年发展起来的研究热点，基于磁共振、脑波和眼动的认知模式识别方法研究的比较多。认知模式识别的流程包括以下步骤:特征提取、特征归一化、分类器训练和模式判别。 在认知模式识别处理中，特征提取及其归一化处理方法均对认知模式识别效果有着重要的影响。特征归一化的目的是将各种不同的特征转换到一个共同的值域范围，可以避免分类器训练时出现大数量级特征所占权重过大的问题，归一化处理后使得原本数量级较小但是差异性较大的特征能够在判别函数中起到相应的作用。 现有技术的特征归一化方法中，特征内部数据分布多样性问题导致不同认知模式下的特征数据互相重叠，可区分性大大降低，将会严重影响识别效果。而且该问题并不能通过特征整体归一化方法来解决，由于用户间特征数据分布存在个体差异，对特征进行特征整体归一化后仅仅解决了特征间的分布多样性问题，特征数据内部的差异仍然保留了下来，在训练分类器时就会产生影响，导致识别率不能有效地提高。 目前，适用于认知模式识别的特征提取技术已经日趋成熟，但是通用的特征归一化方法并不能满足认知模式识别的需求，因此亟需要一种能够用于认知模式识别的特征归一化方法。
技术实现思路
为了解决现有特征整体归一化方法导致识别准确率低的技术问题，本专利技术提供了一种分类准确率高、鲁棒性强的用于人类认知模式识别的特征归一化方法及系统。 根据本专利技术的一个方面，提供了一种用于人类认知模式识别的特征归一化方法，包括如下步骤:步骤SI，将特征数据按用户分组以形成特征矩阵；步骤S2，基于预定的归一化函数对特征矩阵进行分组参数估计，得到每个分组对应的分组参数；步骤S3，基于分组参数对特征矩阵的每个分组分别构建归一化函数；步骤S4，利用构建的归一化函数对特征矩阵进行分组归一化处理。 优选的，所述步骤SI包括:步骤S11，获取每个用户执行每个任务时的特征数据；步骤S12，将每个用户对应的特征数据构成特征矩阵的一行以构建特征矩阵。 优选的，所述步骤S2包括:步骤S21，设置归一化函数；步骤S22，基于特征矩阵每个分组的特征数据进行参数估计，以得到该分组对应的归一化函数的参数。 所述步骤S4中，把归一化前的每个分组的特征数据代入到该分组对应的归一化函数中，以得到该分组归一化后的特征数据。 其中，所述特征数据是每个用户执行多个任务类别的多个任务时的认知模式特征数据，所述任务类别至少包括观看图片和文本阅读。 其中，所述认知模式至少包括瞳孔直径、眼跳距离、注视时间、和注视次数中的一项或多项。 其中，所述归一化函数至少包括:Min_Max归一化函数、Z-score归一化函数、Median归一化函数或tanh归一化函数。 根据本专利技术的另一方面，提供了一种用于人类认知模式识别的特征归一化系统，所述系统包括特征矩阵形成单元1、分组参数估计单元2、函数构建单元3、数据处理单元4,所述特征矩阵形成单元I用于将特征数据按用户分组以形成特征矩阵；所述分组参数估计单元2连接到特征矩阵形成单元1，其基于预定的归一化函数对特征矩阵进行分组参数估计，得到每个分组对应的分组参数；所述函数构建单元3连接到分组参数估计单元2,其基于分组参数对特征矩阵的每个分组分别构建归一化函数；所述数据处理单元4连接到特征矩阵形成单元I和函数构建单元3，其利用构建的归一化函数对特征矩阵进行分组归一化处理。 优选的，所述特征矩阵形成单元I进一步包括:特征数据获取单元11，用于获取每个用户执行多种任务类型的多个任务时的特征数据并发送给特征矩阵构建单元12 ;和特征矩阵构建单元12，连接到特征数据获取单元11，其根据特征数据获取单元11获取的特征数据，将每个用户对应的特征数据构成特征矩阵T的一行以构建特征矩阵。 优选的，所述分组参数估计单元2进一步包括:函数设置单元21，用于设置归一化函数；和函数参数计算单元22，连接到函数设置单元21和前述特征矩阵形成单元I，其根据所述归一化函数的参数要求，基于特征矩阵中每个分组的特征数据计算得到该分组对应的归一化函数的参数。 如上所述，本专利技术提供了一种基于特征数据分组的特征归一化方法和系统，采用多个归一化函数对认知模式特征数据按用户分组以形成特征矩阵，对特征矩阵的每个分组分别构建归一化函数以进行分组归一化处理，既保留了原有特征整体归一化方法的优点，同时减少了特征数据内部分布尺度过大的问题，从而提高了分类正确率；同时，本专利技术提出的特征归一化方法具有很强的鲁棒性。 【专利附图】【附图说明】 为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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专利技术的一些实施例，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。 图1为现有技术提供的整体特征归一化方法流程图； 图2显示了本专利技术的用于人类认知模式识别的特征归一化方法的流程图； 图3显示了本专利技术的特征归一化方法中形成特征矩阵的流程示意图； 图4显示了本专利技术的特征归一化方法中分组参数估计的流程示意图； 图5显示了本专利技术的用于人类认知模式识别的特征归一化系统的结构示意图； 图6显示了本专利技术优选实施例中特征矩阵形成单元的结构示意图； 图7显示了本专利技术优选实施例中分组参数估计单元的结构示意图； 图8显示了现有技术的特征整体归一化方法应用于瞳孔直径的正态拟合分布图； 图9显示了本专利技术的特征归一化方法应用于瞳孔直径的正态拟合分布图； 图10显示了本专利技术的特征归一化方法与现有技术的整体归一化方法分别对瞳孔直径特征进行认知模式识别的识别率对比图； 图11显示了本专利技术的特征归一化方法与现有技术的整体归一化方法分别对眼跳距离特征进行认知模式识别的识别率对比图； 图12显示了本专利技术的特征归一化方法与现有技术的整体归一化方法分别对注视时间特征进行认知模式识别的识别率对比图； 图13显示了本专利技术的特征归一化方法与现有技术的整体归一化方法分别对注视次数特征进行认知模式识别的识别率对比图； 图14显示了本专利技术的特征归一化方法与现有技术方法对组合特征识别率的对比图。 【具体实施方式】 下面将结合本专利技术实施例中的附图，对本文档来自技高网...

【技术保护点】
一种用于人类认知模式识别的特征归一化方法，其特征在于，包括如下步骤：步骤S1，将特征数据按用户分组以形成特征矩阵；步骤S2，基于预定的归一化函数对特征矩阵进行分组参数估计，得到每个分组对应的分组参数；步骤S3，基于分组参数对特征矩阵的每个分组分别构建归一化函数；步骤S4，利用构建的归一化函数对特征矩阵进行分组归一化处理。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：栗觅，吕胜富，周宇，钟宁，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11