一种标签噪声下的脑电信号情绪识别方法技术

本发明专利技术公开了一种标签噪声下的脑电信号情绪识别方法，其步骤包括：1，对于原始EEG数据进行去基线和片段分割的预处理；2，建立基于胶囊网络的联合优化框架的神经网络模型；3，在公开数据集上引入一定比例的标签噪声并采用十折交叉方法训练建立的联合优化的胶囊网络模型；4，利用建立好的模型实现情绪分类任务。本发明专利技术能实现在标签噪声的情况下优化更新伪标签后纠正噪声标签，从而提高识别率。

【技术实现步骤摘要】
一种标签噪声下的脑电信号情绪识别方法
本专利技术涉及情感计算领域，具体的说是一种标签噪声下的脑电情绪识别方法。
技术介绍
情绪是一种复杂的主观认知经验的通称，它包括人对外界刺激或自身刺激的心理反应，以及其伴随的生理反应。情感识别在人工智能领域占有十分重要的地位。关于情绪识别的研究方法有很多，常用的有非生理信号和生理信号来判断人的情感，其中脑电信号(EEG)与人们的认知行为和心理活动具有很强的相关性，并且具有良好的时间分辨率，更能够直接地反映情绪，所以采用基于EEG信号的情绪识别研究方法。EEG情绪识别算法主要分为两类：传统算法和基于深度学习的算法。基于EEG信号的情绪识别的传统算法中，通常是先从EEG信号中提取特征，再将提取到的特征运用到分类器中进行识别任务。常用的脑电特征有时域特征、频域特征和时频特征等。除此之外、功率谱特征、小波特征和微分熵等特征作为情绪相关特征进行情绪分类时，也可以取得比较好的结果。近年来，许多深度学习方法的提出在情感计算领域也取得了非常不错的效果，研究者们采用各种深度学习网络作为分类器应用于从EEG信号提取得到的特征或者直接用于原始EEG信号中，将特征提取与分类同时进行，从而实现端到端的情绪识别研究。目前，这种基于深度学习的情绪识别方法都是属于监督学习的范畴，监督学习取得良好分类效果的前提是依赖于大量标记良好的干净的带标签的数据。但是得到大量标记正确的标签是非常费时又费力的。对于EEG信号来说，由于不同的人对同一视频片段或者音乐的感受不同，就会导致不同受试者的标签不同，并且同一受试者对相同的视频片段和音乐在不同时间的感受可能不同，这也会导致同样的受试者对同一片段的标签不同，这样就产生了标签噪声。直接将标签噪声应用到分类任务中会使得优化后的参数远离真实的最优值，在测试时分类精度下降。
技术实现思路
本专利技术为克服现有技术的不足之处，提出一种标签噪声下的脑电信号情绪识别方法，以期能实现在标签噪声的情况下优化更新伪标签后纠正噪声标签，从而提高情绪识别率。本专利技术为达到上述专利技术目的，采用如下技术方案：本专利技术一种标签噪声下的脑电信号情绪识别方法的特点是按如下步骤进行：步骤1、获取任一受试者A的带有M种情绪标签的脑电信号数据并进行去基线和样本分割处理，从而得到受试者A的N个脑电信号样本，记为X＝{X1,X2,...,Xi,...,XN}，其中，Xi∈Rm×P表示第i个脑电信号样本，m表示脑电信号的通道数，P表示采样点数，i＝1,2,…,N；N是样本数量；对N个脑电信号样本X的情绪标签引入一定比例的噪声后形成新的一组情绪标签Y＝{Y1,Y2,...,Yi,...,YN}，其中，Yi∈RM×1表示第i个脑电信号样本Xi对应的情绪标签；M表示情绪类别数；步骤2、建立基于联合优化框架的胶囊网络模型，所述胶囊网络模型由卷积层模块、初级胶囊层模块和情绪胶囊层模块组成；其中，所述卷积层模块包含k个步长为L1的a×a卷积核和ReLU激活函数，所述初级胶囊层模块包含由步长为L2的a×a卷积核单元所组成的d通道的b维初级胶囊，所述情绪胶囊层模块包含M个c维的情绪胶囊；步骤2.1、将所述N个脑电信号样本X及其情绪标签Y输入所述胶囊网络模型中，所述N个脑电信号样本X经过所述卷积层模块的采样处理，将采样点数P转换为局部特征图的值，并输出k个局部特征图；步骤2.2、将k个局部特征图输入到初级胶囊层模块，经过所述初级胶囊层模块的分组处理，将k个局部特征图分组为d×b维卷积胶囊，并输出低级情绪特征，通过动态路由协议机制对所述低级情绪特征进行加权求和处理，得到预测向量；步骤2.3、将所述预测向量输入情绪胶囊层模块，经过M个c维的情绪胶囊的处理，计算出M个情绪胶囊的长度，并输出可能性最大的类别标签作为伪标签Y′＝[Y′1,Y′2,...,Y′i,...,Y′N]∈RM×N，其中，Yi′表示第i个脑电信号样本Xi对应的伪标签；每个情绪胶囊的长度代表相应情绪存在的可能性；步骤3、联合优化框架的训练：步骤3.1、利用式(1)构建总的损失函数L：L(θ,Y′|X)＝Lm(θ,Y′|X)+αLp(θ|X)+βLe(θ|X)(1)式(1)中，Lm是分类损失，Lp和Le是两个正则化损失，α和β是两个超参数，θ为网络参数；步骤3.2、定义当前迭代次数为t，最大迭代次数为Tmax；并初始化t＝1；将伪标签Y′＝[Y′1,Y′2,...,Y′i,...,Y′N]∈RM×N作为第t次迭代的伪标签将网络参数θ作为第t次迭代的网络参数θt；步骤3.3固定第t次迭代的伪标签，通过第t次计算损失函数L并按照梯度下降的方向优化第t次迭代的网络参数θt，得到第t+1次迭代的网络参数θt+1；步骤3.4、固定第t+1次迭代的网络参数θt+1，并利用式(2)更新第t次迭代的伪标签，得到第t+1次迭代的伪标签式(2)中，s(θt+1,Xi)是第t次迭代第i个脑电信号样本Xi对应的类别标签存在的概率，并由胶囊网络模型的情绪胶囊的长度计算得到；步骤3.5、将t+1赋值给t后，判断t>Tmax是否成立，若成立，则表示得到训练后的胶囊网络模型，并用于实现脑电情绪的识别；否则返回步骤3.3。与已有技术相比，本专利技术的有益效果体现在：1、以往的监督学习都暗含所用的标签都是完全正确的假设，但是，在现实情况下标签往往包含不准确的标签，称为“标签噪声”。因此本专利技术首次提出在标签噪声下的EEG情绪识别方法，通过在标签噪声下训练网络模型并校正带噪声的标签，使得模型对于标签噪声更加鲁棒，从而提升了模型的分类表现性能。2、本专利技术通过构建联合优化框架下的胶囊网络模型，从输入的原始EEG信号中提取有效的信息，并从这些信息中提取出情绪相关特征，并在联合优化框架下达到校正带噪的标签，实现了情绪识别任务，解决了现有情绪识别技术复杂的特征设计及提取和标签噪声降低分类精度等问题。附图说明图1为本专利技术方法流程示意图；图2为本专利技术基于联合优化框架的概念图；图3为本专利技术胶囊网络的结构图；图4为本专利技术胶囊网络动态路由结构图；图5为DEAP数据库中唤醒度维度上32名受试者在噪声比例为30％条件下的平均识别精度及标准差图；图6为DEAP数据库中效价维度上32名受试者在噪声比例为30％条件下的平均识别精度及标准差图。具体实施方式本实施例中，一种在标签噪声下的基于联合优化框架的脑电信号情绪识别方法主要是利用胶囊网络(capsulenetwork)提取原始EEG信号中的空间信息，再使用联合优化策略(jointoptimizationstrategy)对网络参数和伪标签进行交替优化更新，逐步校正带噪标签，并最终实现EEG信号在标签噪声下的情绪分类，如图1所示，是按如下步骤进行：步骤1、获取任一受试者A的带有M种情绪标签的脑电信号数据并进行预处理，包括去基线和样本分本文档来自技高网...

【技术保护点】
1.一种标签噪声下的脑电信号情绪识别方法，其特征是按如下步骤进行：/n步骤1、获取任一受试者A的带有M种情绪标签的脑电信号数据并进行去基线和样本分割处理，从而得到受试者A的N个脑电信号样本，记为X＝{X

【技术特征摘要】
1.一种标签噪声下的脑电信号情绪识别方法，其特征是按如下步骤进行：
步骤1、获取任一受试者A的带有M种情绪标签的脑电信号数据并进行去基线和样本分割处理，从而得到受试者A的N个脑电信号样本，记为X＝{X1,X2,...,Xi,...,XN}，其中，Xi∈Rm×P表示第i个脑电信号样本，m表示脑电信号的通道数，P表示采样点数，i＝1,2,…,N；N是样本数量；
对N个脑电信号样本X的情绪标签引入一定比例的噪声后形成新的一组情绪标签Y＝{Y1,Y2,...,Yi,...,YN}，其中，Yi∈RM×1表示第i个脑电信号样本Xi对应的情绪标签；M表示情绪类别数；
步骤2、建立基于联合优化框架的胶囊网络模型，所述胶囊网络模型由卷积层模块、初级胶囊层模块和情绪胶囊层模块组成；其中，所述卷积层模块包含k个步长为L1的a×a卷积核和ReLU激活函数，所述初级胶囊层模块包含由步长为L2的a×a卷积核单元所组成的d通道的b维初级胶囊，所述情绪胶囊层模块包含M个c维的情绪胶囊；
步骤2.1、将所述N个脑电信号样本X及其情绪标签Y输入所述胶囊网络模型中，所述N个脑电信号样本X经过所述卷积层模块的采样处理，将采样点数P转换为局部特征图的值，并输出k个局部特征图；
步骤2.2、将k个局部特征图输入到初级胶囊层模块，经过所述初级胶囊层模块的分组处理，将k个局部特征图分组为d×b维卷积胶囊，并输出低级情绪特征，通过动态路由协议机制对所述低级情绪特征进行加权求和处理，得到预测向量；
步骤2.3、将所述预测向量输入情绪胶囊层模块，经过M个c维的情绪...

【专利技术属性】
技术研发人员：李畅，侯艺萌，成娟，刘羽，宋仁成，陈勋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34