一种跨个体脑电情感识别方法、系统、装置及介质制造方法及图纸

本发明专利技术公开了一种跨个体脑电情感识别方法、系统、装置及介质，其中方法包括：构建单源域自适应小样本学习网络；通过电极获取脑电数据，将脑电数据输入单源域自适应小样本学习网络进行跨个体的脑电情感识别，输出识别结果；单源域自适应小样本学习网络包括特征映射模块、域自适应模块和特定领域的小样本学习模块；其中，特征映射模块用于提取源域和目标域两个域的共同特征，域自适应模块用对齐两个域的数据分布，小样本学习模块用于保存特定于域的信息和对样本的预测。本发明专利技术将小样本学习运用于脑电图领域，通过单源域自适应小样本学习网络识别跨个体的脑电情感，提出一种新的跨个体脑电情感识别方案，可广泛应用于脑电信号处理领域。理领域。理领域。

【技术实现步骤摘要】
一种跨个体脑电情感识别方法、系统、装置及介质


[0001]本专利技术涉及脑电信号处理领域，尤其涉及一种跨个体脑电情感识别方法、系统、装置及介质。

技术介绍

[0002]脑电图(EEG)信号被广泛应用于分析脑电活动，可通过将电极置于人头皮表面进行测量，并由脑机接口(BCI)系统记录。脑电图主要在人机交互和神经系统疾病诊断方面提供帮助。
[0003]脑电图分析主要面临两个困难：(1)个体差异：预训练模型直接应用于新个体的预测时，由于年龄、心态等因素造成的个体差异，导致了效果较差。(2)信息缺乏：脑电信号应用于其他领域时，尤其是新兴的领域和交叉学科领域等，可能会出现数据不足的问题，模型在少数数据上训练的效果不理想。

技术实现思路

[0004]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种跨个体脑电情感识别方法、系统、装置及介质。
[0005]本专利技术所采用的技术方案是：
[0006]一种跨个体脑电情感识别方法，包括以下步骤：
[0007]构建单源域自适应小样本学习网络；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨个体脑电情感识别方法，其特征在于，包括以下步骤：构建单源域自适应小样本学习网络；通过电极获取脑电数据，将所述脑电数据输入所述单源域自适应小样本学习网络进行跨个体的脑电情感识别，输出识别结果；所述单源域自适应小样本学习网络包括特征映射模块、域自适应模块和特定领域的小样本学习模块；其中，所述特征映射模块用于提取源域和目标域两个域的共同特征，所述域自适应模块用对齐两个域的数据分布，所述小样本学习模块用于保存特定于域的信息和对样本的预测。2.根据权利要求1所述的一种跨个体脑电情感识别方法，其特征在于，所述特征映射模块包括基于残差块和注意力机制块的卷积神经网络结构、批量归一化层、池化层和全连接层；所述卷积神经网络结构用于获取不同通道在特征图中的贡献，以及不同电极位置对脑电分类的贡献；所述批量归一化层用于保证数据分布；所述池化层用于减少特征图的大小；所述全连接层用于形成源域和目标域的公共特征空间，获得数据x。3.根据权利要求2所述的一种跨个体脑电情感识别方法，其特征在于，源域和目标域之间的特征映射的表达式为：x＝f
θ
(x)其中，x代表来自源域或目标域的脑电图数据，θ是特征映射模块的可学习参数。4.根据权利要求1所述的一种跨个体脑电情感识别方法，其特征在于，所述域自适应模块连接在所述特征映射模块的后面，用于通过对齐源域和目标域的分布来获得共同特征，以提高分类器在目标域中的性能；所述域自适应模块对齐源域和目标域的分布，采用的方法是最小化源域和目标域之间的最大平均差异MMD；最大平均差异MMD测量的域自适应损失L
mmd
的表达式为：其中，x
s
表示源域X
s
中公共特征空间提取的特征，x
t
表示目标域X
t
中提取的特征，表示将数据映射到再生核希尔伯特空间，H表示再生核希尔伯特空间。5.根据权利要求1所述的一种跨个体脑电情感识别方法，其特征在于，所述小样本学习模块包括具有注意力机制的原型网络；所述原型网络用于为支持集中的每个类学习一个原型，并通过分配每个样本与不同原型之间最近距离的对应类来预测查询集中每个样本的类别。6.根据权利要求5所述的一种跨个体脑电情感识别方法，其特征在于，每个原型通过以下公式进行计算：
其中，c
i
代表为类i的原型，为类...

【专利技术属性】
技术研发人员：袁浩章，宁润，张通，陈俊龙，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：