一种基于聚类的多任务情感脑电特征提取与识别方法技术

本发明专利技术提供一种基于聚类的多任务情感脑电特征提取与识别方法。本发明专利技术步骤如下：1、多个被试者分别在诱发情感状态场景下进行脑电数据采集。2、对步骤1所得的脑电数据进行预处理。3、将处理后的脑电数据进行聚类得到子类标签矩阵。4、建立基于聚类多任务特征提取算法求解得到特征权重分布。5、根据特征权重分布对脑电数据进行特征提取以训练脑电情感识别模型。本发明专利技术通过聚类算法、多任务学习和特征提取的方式提高了脑电情感识别模型的预测精度。方式提高了脑电情感识别模型的预测精度。方式提高了脑电情感识别模型的预测精度。

【技术实现步骤摘要】
一种基于聚类的多任务情感脑电特征提取与识别方法


[0001]本专利技术属于脑电信号处理
，具体涉及一种基于聚类的多任务情感脑电特征提取与识别方法。

技术介绍

[0002]随着科学技术的发展，脑电情感识别及相关脑机制的研究已经逐渐成为神经科学的热门研究领域。利用计算机技术进行脑电情感识别是实现高级人机交互的关键性技术，实时高效的脑电情感识别对于实现人机交互、人机接口以及智能计算机等有重要意义。在具体应用方面，通过脑电情感识别，可以判断用户的情感状态，帮助计算机做出合适的响应，改善人机交互效果。脑电情感识别技术在人工智能领域得到了广泛关注。
[0003]由于脑电信号的不稳定性，采集的脑电信号具有低信噪比的特点，导致脑电数据特征存在冗余，影响脑电情感识别模型的准确度。现有的科学理论表明，真实脑电数据分布存在重要的内在结构信息，即通过探索脑电数据中的固有子类信息可以为脑电情感识别模型提供更多的先验知识，从而提高脑电情感识别模型的准确度。本专利技术提出一种基于聚类的多任务情感脑电特征提取与识别方法。我们在原始情感类别下探索多个情感子类，采用多任务学习对子类进行情感识别，每个子类的情感识别任务作为一个子任务，通过共享任务之间的信息来帮助提升各个子任务的性能，从而更有效地挖掘脑电情感识别任务中数据特征权重分布。通过特征权重分布，提取脑电情感数据中更具有辨别性的特征。采用特征提取后的脑电特征训练脑电情感识别模型，可以有效提升脑电情感识别模型的准确度。

技术实现思路

[0004]本专利技术的目的在于提供一种基于聚类的多任务情感脑电特征提取与识别方法。通过该方法可以实现脑电情感数据特征提取以及脑电情感识别。
[0005]本专利技术的具体步骤如下：
[0006]步骤1、对多个被试者进行脑电数据采集实验；对被试者进行外界刺激，使其产生情绪变化，同时采集被试者的脑电信号。
[0007]步骤2、对步骤1所得的所有脑电数据进行预处理。每一个被试者的脑电样本处理后的数据作为一个样本矩阵X；每个样本矩阵X均对应一个标签向量y；标签向量y对应被试者的情感类别。
[0008]步骤3、将处理后的脑电数据进行聚类，探索脑电数据原始情感类别中的情感子类，得到情感子类标签矩阵Y。
[0009]步骤4、建立基于聚类多任务特征提取模型以求解特征权重矩阵。
[0010]步骤4
‑
1、建立基于聚类多任务特征提取算法模型目标函数如式(1)所示：
[0011][0012]式中，是经过聚类后的子类情感标签矩阵，其中n表示样本个数，c表示
子类情感类别个数；是脑电情感数据，其中n表示样本个数，d表示数据维度；表示脑电情感数据特征权重矩阵，其中d表示数据维度，c表示子类情感类别个数；表示脑电情感数据的拉普拉斯矩阵，具体计算方法为L＝D
‑
S，其中是一个描述子类关系的相似性矩阵，具体定义为x
i
表示脑电情感数据X的第i个样本，x
j
表示脑电情感数据X的第j个样本；是一个关于S的对角矩阵，具体定义为λ是用来控制权重矩阵W稀疏性的超参数；β是用来控制子类关系对目标函数影响的超参数；表示矩阵的F
‑
范数的平方，具体计算方法为表示矩阵的2,1
‑
范数的平方，具体计算方法为tr(
·
)表示矩阵的迹，具体计算方法为矩阵对角线元素之和。
[0013]步骤4
‑
2、对(1)式求解，得到脑电情感识别任务中脑电情感数据的特征权重矩阵W。
[0014]步骤5、根据特征权重矩阵W对脑电情感数据进行特征提取，根据提取后的脑电情感数据特征进行分类模型训练，得到脑电情感识别模型。
[0015]作为优选，步骤1中，通过让被试者观看不同情感类型的电影片段对被试者进行情感状态诱发，让被试者产生高兴、悲伤、恐惧和中性的情绪变化。
[0016]作为优选，步骤2中所述的标签向量y通过被试者在脑电数据采集过程中所观看的电影片段情感类型定义的。标签向量y中元素取值为1,2,3,4。
[0017]作为优选，步骤2中的预处理过程如下。
[0018]步骤2
‑
1.将脑电数据下采样至200Hz后并对其进行带通滤波至1
‑
50Hz范围；根据5频段法，将其划分为δ、θ、α、β和γ五个频段。
[0019]步骤2
‑
2.针对这5个频段的脑电数据分别进行时间窗口为4秒且不重叠的短时傅立叶变换，提取微分熵特征h(X)如式(2)所示，
[0020]h(X)＝
‑
∫
x
f(x)ln(f(x))dx，
ꢀꢀ
(2)
[0021]式(2)中，X为输入的样本矩阵，x为输入的样本矩阵中的元素；f(X)为概率密度函数。经过更新后的微分熵特征h(X)如式(3)所示：
[0022][0023]式(3)中，σ为概率密度函数的标准差；μ为概率密度函数的期望。
[0024]作为优选，所述的脑电数据采集采用62导联，选用5个频段；5个频段分别为1
‑
4Hz、4
‑
8Hz、8
‑
14Hz、14
‑
31Hz、31
‑
50Hz。
[0025]作为优选，步骤3中聚类方法采用AP(Affinity Propagatio)聚类算法，最大聚类迭代次数为1000次。
[0026]作为优选，步骤4中对权重矩阵W的具体求解过程如下：
[0027]当子类标签矩阵Y、脑电情感数据X和拉普拉斯矩阵L确定后，(1)式可确定为：
[0028][0029]由于理论上存在，会使(4)式不可微，因此令其中表示向量的2
‑
范数的平方，其具体计算方法为∈是一个接近0的很小的常数。此时(4)式变为：
[0030][0031]求(5)式的拉格朗日函数
[0032][0033]对关于W求导并令导数为0可得：
[0034][0035]式中，Q是一个只与W相关的对角矩阵，其第i个对角线元素q
ii
为：
[0036][0037]通过(7)式，可以得到W的更新公式：
[0038]W＝(X
T
X+λQ+βX
T
LX)
‑1X
T
Y
ꢀꢀ
(9)
[0039]作为优选，步骤5中对训练得到的权重矩阵中W进行处理，引入一个常数γ＝10
‑5，令其中w
ij
是权重矩阵W的第i行第j列元素；根据处理后的权重矩阵对脑电情感数据进行特征提取，仅保留权重矩阵中对应的脑电情感数据X的第j维特征，其中表示权重矩阵中第j行特征权重。采用支持向量机分类模型对提取后的脑电情感数据特征进行训练得到脑电情感识别模型，其中支持向量机采用径向基核函数类型。
[0040]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于聚类的多任务情感脑电特征提取与识别方法，其特征在于，包括以下步骤：步骤1、对多个被试者进行脑电数据采集实验；对被试者进行外界刺激，使其产生情绪变化，同时采集被试者的脑电信号；步骤2、对步骤1所得的所有脑电数据进行预处理；每一个被试者的脑电样本处理后的数据作为一个样本矩阵X；每个样本矩阵X均对应一个标签向量y；标签向量y对应被试者的情感类别；步骤3、将处理后的脑电数据进行聚类，检索脑电数据原始情感类别中的情感子类，得到情感子类标签矩阵Y；步骤4、建立基于聚类多任务特征提取模型以求解特征权重矩阵；步骤4
‑
1、建立基于聚类多任务特征提取算法模型目标函数如式(1)所示：式中，是经过聚类后的子类情感标签矩阵，其中n表示样本个数，c表示子类情感类别个数；是脑电情感数据，其中n表示样本个数，d表示数据维度；表示脑电情感数据特征权重矩阵，其中d表示数据维度，c表示子类情感类别个数；表示脑电情感数据的拉普拉斯矩阵，计算方法为L＝D
‑
S，其中是一个描述子类关系的相似性矩阵，定义为x
i
表示脑电情感数据X的第i个样本，x
j
表示脑电情感数据X的第j个样本；是一个关于S的对角矩阵，定义为λ是用来控制权重矩阵W稀疏性的超参数；β是用来控制子类关系对目标函数影响的超参数；表示矩阵的F
‑
范数的平方，计算方法为平方，计算方法为表示矩阵的2，1
‑
范数的平方，计算方法为tr(
·
)表示矩阵的迹，其具计算方法为矩阵对角线元素之和；步骤4
‑
2、对(1)式求解，得到脑电情感识别任务中脑电情感数据的特征权重矩阵W；步骤5、根据特征权重矩阵W对脑电情感数据进行特征提取，根据提取后的脑电情感数据特征进行分类模型训练，得到脑电情感识别模型。2.根据权利要求1所述的一种基于聚类的多任务情感脑电特征提取与识别方法，其特征在于，所述的步骤1中，通过让被试者观看不同情感类型的电影片段对被试者进行情感状态诱发，让被试者产生高兴、悲伤、恐惧和中性的情绪变化。3.根据权利要求2所述的一种基于聚类的多任务情感脑电特征提取与识别方法，其特
...

【专利技术属性】
技术研发人员：靳峰哲，彭勇，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：