【技术实现步骤摘要】
基于聚类的对抗部分域适应跨被试EEG情绪识别方法
[0001]本专利技术涉及脑电(EEG)情绪识别领域，提出一种基于聚类的对抗部分域适应算法，适用于目标样本类别是源样本类别子集的场景，解决跨被试EEG个体差异问题及跨域类别不平衡的部分域适应问题。
技术介绍
[0002]如何有效地解决深度神经网络在跨被试上进行脑电情绪识别时模型泛化性能差的问题是目前机器学习和脑机接口领域广泛关注的热点。传统方法是通过手工设计提取有效脑电情感特征，并使用机器学习模型，如支持向量机进行情绪分类，需要依赖专家知识，且费时费力。随着深度学习的发展，以其无需进行手工特征提取，能自动学习特征，且具有强大的数据表征能力的优点被广泛应用在各个领域。在脑电情绪识别领域，目前使用最多的深度神经网络有卷积神经网络和长短期记忆网络。但是由于脑电情感信号具有低信噪比，非平稳性的特点，且每个被试表达情绪的方式不同，其不同人之间，单个人采集的脑电的情感特征都存在差异，容易导致跨被试脑电情绪数据集的样本特征分布不均，泛化性能差，使得脑电情绪识别的实际应用存在局限性。因此需要...
【技术保护点】
【技术特征摘要】
1.基于聚类的对抗部分域适应跨被试EEG情绪识别方法，其特征在于，步骤如下：步骤1：数据预处理；采用公开的SEED数据集作为训练数据集；脑电图信号数据输入模型前需要进行预处理；每秒从SEED数据集的5个频带中提取微分熵(DE)特征：δ：1
‑
3Hz，θ：4
‑
7Hz，α：8
‑
13Hz，β：14
‑
30Hz，γ：31
‑
50Hz；特征维度为310个(62个通道
×
5个频带)；步骤2：数据定义给定N个存在个体差异的EEG数据，将所有被试个体作为源域并且已知其认知状态标签，该源域表示为X
s
，源域标签表示为Y
s
，类别数C，而无标签的新被试个体作为目标域X
t
，类别数K未知；步骤3：构建并训练EEG情绪识别模型；所述的EEG情绪识别模型包括共享特征提取器G、分类器F和判别器D。2.根据权利要求1所述的基于聚类的对抗部分域适应跨被试EEG情绪识别方法，其特征在于，步骤3具体方法如下：输入：带有标签的源域数据{X
s
,Y
s
}，该源域表示为X
s
，源域标签表示为Y
s
，类别数C，不带标签的目标域数据X
t
，类别数K未知，和最大迭代次数T；3
‑
1.利用共享特征提取器G提取源域和目标域样本数据潜在的公共特征，将提取的公共特征映射到一个公共的特征空间；3
‑
2.以源域样本数据X
s
特有的类别标签为约束优化分类器F，目标函数为有监督的分类损失L
ce
；3
‑
3.利用域对抗方法，使特征提取器G能学习到来自源域和目标域两个领域的不变特征，以混淆判别器D，使其认为特征来自相同域，使得两个域在特征空间的边缘分布对齐，对抗目标函数为L
d
；3
‑
4.源域数据X
s
和目标域数据X
t
通过特征提取器G能提取到领域不变的特征向量V
s
和V
t
，将真实标签为c的特定类源域数据表示为从中提取到的特征向量为最后通过特定类特征向量计算源域中类别为c的样本的类簇中心而源域样本的类簇标签是基于真实标签分配的，最后得到所有类别的源域类簇中心和类簇标签{1,
…
,C}；3
‑
5.采用Kmeans聚类方法对目标域样本特征V
t
进行聚类，得到对应的目标域样本类簇中心和类簇标签{1,
…
,K}；3
‑
6.由于通过Kmeans聚类得到的类簇标签与源域的真实标签不成立对应关系，使用一致性匹配来关联语义一致的共有类别的源域类簇中心与目标域类簇中心给定一对源域和目标域的类簇特征为和其中来自一个域的类簇在另一个域中搜索距离该类簇最近的类簇中心μ，然后确定是否两者同时为彼此最近的类簇中心，如果两者同时为彼此最近的类簇中心则这样的一对匹配类簇就被认为是公共类簇，该对类簇的类簇标签为{c,k}，然后将对应的第k个类簇目标域样本的伪标签分配为匹配的源域标签c；3
‑
7.使用余弦相似度来计算来自某一个域的样本到另一个域的所有类簇中心的距离；
对于一对类簇中源域的第i个样本，计算其与所有目标域类簇中心的余弦相似度同理计算目标域第i个样本与所有源域类簇中心的余弦相似度3
‑
8.利用3
‑
7得到的结果计算源域聚类共识得分以及目标域聚类共识得分3
...
【专利技术属性】
技术研发人员：张桦，吴政轩，赵月，戴国骏，曾虹，方欣，刘洋，吴琪，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
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。