【技术实现步骤摘要】
一种特征权重自适应学习的脑电情绪识别方法
本专利技术属于脑电信号处理
，具体涉及一种特征权重自适应学习的脑电情绪识别方法。
技术介绍
情感是由外界刺激所诱发的一种心理和生理反应。传统的情感识别是基于面部表情、语言语调、体态行为等易于掩饰或伪装的外部表现，而脑电信号是由大脑皮层产生的一种特殊的电位活动，直接来源于中枢神经系统活动，因此脑电信号能够更加客观的反应不同情感的神经认知加工过程。目前，基于脑电的情感识别工作在国内外研究中都已有一定的进展，其典型的过程为“刺激素材诱发脑电采集-脑电信号预处理与特征提取-情绪识别”。例如，台湾大学Yuan-PinLin研究组采用支持向量机模型进行脑电信号的四分类识别(喜怒哀乐)，确立了30个脑电信号与情感识别最相关的特征，并验证了对于情感识别作用最大的脑区位于额叶和顶叶。康斯坦茨大学的MatthiasMMuller等用情感图片作为刺激测试了大脑不同半球在收到情感刺激是脑电在γ频段范围的特征。总体而言，关于情感识别的脑电特征重要性自适应学习，以及关键频带与导联的自动判定相关研究...
【技术保护点】
1.一种特征权重自适应学习的脑电情绪识别方法，其特征在于：步骤1、多个被试者分别在不同的情绪类别任务下进行脑电数据采集；/n步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取；/n步骤3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别；/n3-1.将特征权重因子矩阵Θ嵌入到最小二乘模型中，得到“特征自适应学习情绪识别方法”的目标函数如式(3)所示：/n
【技术特征摘要】 【专利技术属性】
1.一种特征权重自适应学习的脑电情绪识别方法，其特征在于：步骤1、多个被试者分别在不同的情绪类别任务下进行脑电数据采集；
步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取；
步骤3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别；
3-1.将特征权重因子矩阵Θ嵌入到最小二乘模型中，得到“特征自适应学习情绪识别方法”的目标函数如式(3)所示：
式(3)中，X为输入的样本矩阵，正则项函数θ＝diag(Θ)为特征权重因子向量，W和b分别为最小二乘学习模型中的特征权重、偏差，Y是样本矩阵X的标记；表示F范数的平方计算；
3-2.建立正则项函数的表达式如式(4)所示：
式(4)中，n为训练样本个数；表示2范数的平方计算；xi、xj是样本矩阵X内的任意两个元素；为二元图相似性矩阵；从欧氏距离的角度，如果xi和xj互为k近邻且具有相同的情感状态，则它们之间的权重sij为1；否则，sij为0；
步骤4、根据如式(3)所示的目标函数，通过固定其他变量仅保留一个变量的方法来得到所有变量的更新规则，进而求得特征权重因子Θ、特征权重W和偏差b；
步骤5、使用有步骤4学习得到的特征权重因子Θ、特征权重W和偏差b对新的被试者脑电的数据进行情绪类别预测。
2.根据权利要求1所述的一种特征权重自适应学习的脑电情绪识别方法，其特征在于：步骤四执行后，筛选出后续脑电数据采集时需要提取的导联和频段，具体过程如下：
计算各频段的重要性指标ω(i)如式(12)所示；
ω(i)＝θ(i-1)*k+1+θ(i-1)*k+2+…+θ(i-1)*k+k式(12)
其中，i＝1，2，3，4，5分别代表Delta，Theta，Alpha，Beta和Gamma的五个频段，k表示导联数量；θ(i-1)*k+k为特征权重因子向量θ的第(i-1)*k+k个元素；
计算第j个导联的重要性指标如式(13)所示；
ψ(j)＝θj+θj+k+θj+2*k+θj+3*k+θj+4*k式(13)
其中，j＝1，2，…，k分别代表第1个导联至第k个导联的k个脑电通道；θj+i*k为特征权重因子向量θ的第j+i*k个元素；
根据各频段的重要性指标ω(i)和各导联的重要性指标ψ(j)的数值大小，筛选出情绪识别需要提取的导联和频段；未被筛选到的导联和频段在后续脑电数据采集中不提取。
3.根据权利要求1所述的一种特征权重自适应学习的脑电情绪识别方法，其特征在于：步骤4中求取特征权重因子Θ的具体过程如下：；
技术研发人员：彭勇，朱琦，张怿恺，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。