基于迁移学习的针对脑电信号情感特征分类方法技术

本发明专利技术属于医疗人工智能、情感脑机交互领域，具体涉及一种基于迁移学习的针对脑电信号情感特征分类方法、系统、设备，旨在解决现有的基于脑电情感特征分类方法无法克服不同个体脑电数据分布不一致所导致的在跨个体脑电情绪分类上分类的准确性较差的问题。本方法包括：获取待分类的情感脑电信号数据，作为输入数据；提取输入数据的微分熵特征，并将微分熵特征输入脑电信号情感分类模型的多层感知机，得到深度特征；基于深度特征，通过脑电信号情感分类模型的分类器，得到输入数据对应的分类结果。本发明专利技术不仅克服了不同个体脑电波数据分布不一致的问题，而且在跨个体脑电情绪分类上具有良好的分类效果，同时也保证必要的泛化性和鲁棒性。和鲁棒性。和鲁棒性。

【技术实现步骤摘要】
基于迁移学习的针对脑电信号情感特征分类方法


[0001]本专利技术属于医疗人工智能、情感脑机交互领域，具体涉及一种基于迁移学习的针对脑电信号情感特征分类方法、系统、设备。

技术介绍

[0002]在众多情绪识别方法中，脑电数据脑电(EEG，Electroencephalogram)在可靠性和准确性方面具有明显的优势。然而，EEG的个体差异限制了情绪分类器在受试者之间的泛化能力。此外，由于EEG的非平稳性，受试者的信号会随着时间的变化而变化，这对于跨时间的情绪识别工作是一个重要挑战。由前述内容可知，与其他主流分类问题不同，在基于EEG数据针对个体独立问题中，不同人的EEG数据分布不同，导致常规方法效果不佳。常规机器学习的一个重要前提是已有数据和未知数据服从相同的规律，统计上来讲就是服从相同的分布。如何拉近不同人EEG数据的分布，是解决问题的关键，由此引入了迁移学习的方法来完成对情感脑电信号进行分类。
[0003]基于此，本专利技术首次结合全局
‑
局部对抗和联合域适应实现一种基于迁移学习的针对脑电信号情感特征分类方法。

技术实现思路

[0004]为了解决现有技术中的上述问题，即为了解决现有的基于脑电情感特征分类方法无法克服不同个体脑电数据分布不一致所导致的在跨个体脑电情绪分类上分类的准确性较差的问题，本专利技术第一方面，提出了一种基于迁移学习的针对脑电信号情感特征分类方法，该方法包括：
[0005]S100，获取待分类的情感脑电信号数据，作为输入数据；
[0006]S200，提取所述输入数据的微分熵特征，并将所述微分熵特征输入脑电信号情感分类模型的多层感知机，得到输入数据对应的深度特征；
[0007]S300，基于所述深度特征，通过脑电信号情感分类模型的分类器，得到所述输入数据对应的分类结果；
[0008]其中，所述脑电信号情感分类模型包括多层感知机、分类器。
[0009]在一些优选的实施方式中，所述脑电信号情感分类模型，其训练方法为：
[0010]A100，获取第一数据集、第二数据集；所述第一数据集为源域训练数据集，其包括训练样本及其对应的真实分类标签；所述第二数据集为目标域训练数据集；所述训练样本为情感脑电信号数据；
[0011]A200，分别提取所述第一训练集各训练样本的微分熵特征D
s
和第二训练集中各训练样本的微分熵特征D
t
，提取后，将微分熵特征输入脑电信号情感分类模型的多层感知机，得到第一训练集各训练样本的深度特征f
s
、第二训练集中各训练样本的深度特征f
t
；
[0012]A300，将f
s
、f
t
输入预构建的全局域对抗模块，计算全局域对抗损失；将f
s
、f
t
输入所述分类器的softmax中，然后输入预构建的局部域对抗模块，计算局部域对抗损失；
[0013]A400，结合预设的平衡系数，对全局域对抗损失与局部域对抗损失进行平衡处理，得到全局
‑
局部域对抗损失；
[0014]A500，通过一个全连接层将Ds、Dt映射到低维空间，记为A
i
和B
j
；计算A
i
、B
j
之间的相似度，并通过所述相似度计算从第一矩阵的任一元素转移到第二矩阵任一元素的概率、从第二矩阵的任一元素转移到第一矩阵任一元素的概率进而得到从第一矩阵的任一元素转移到第二矩阵任一元素再转移到第一矩阵中任一元素的概率；基于；基于计算同类别标签数据相似度大的衡量损失、源域与目标域间相似度大的衡量损失；
[0015]其中，A表示源域训练样本映射到低维空间后的特征矩阵，将其作为第一矩阵，B表示目标域训练样本映射到低维空间后的特征矩阵，作为第二矩阵；
[0016]A600，将全局
‑
局部域对抗损失、同类别标签数据相似度大的衡量损失、源域与目标域间相似度大的衡量损失进行加权求和，得到联合域适应损失；
[0017]A700，将深度特征输入所述分类器，得到分类结果，将其作为预测结果；基于所述预测结果、所述真实分类标签，通过交叉熵损失函数计算分类损失；将所述分类损失与所述联合域适应损失进行求和，得到总损失，进而对脑电信号情感分类模型的网络参数进行更新；
[0018]A800，循环步骤A100
‑
A700，直至得到训练好的脑电信号情感分类模型。
[0019]在一些优选的实施方式中，所述全局域对抗模块、所述局部域对抗模块均为多个全连接层构建的判别器。
[0020]在一些优选的实施方式中，所述全局
‑
局部域对抗损失，其计算方法为：
[0021]L
doamin
＝(1
‑
ω)L
g
+ωL
l
[0022][0023][0024]其中，L
doamin
表示全局
‑
局部域对抗损失，L
g
表示全局域对抗损失，L
l
表示局部域对抗损失之和，n
s
、n
t
分别表示源域训练数据集、目标域训练数据集的训练样本数量，x
i
表示训练样本，d
i
表示每个域对应的域标签，G
d
表示梯度反转，G
f
表示特征提取器，即多层感知机，L
d
表示交叉熵损失函数，ω表示平衡系数，i表示下标，表示f
s
或f
t
经过softmax处理后得到的概率，C表示类别标签的集合，c表示具体某一类别标签，表示c类别对应的局部域判别器的梯度反转特征，表示c类别对应的局部域判别器基于梯度反转特征和与标签所得的交叉熵损失。
[0025]在一些优选的实施方式中，所述预设的平衡系数为：
[0026][0027][0028]其中，表示局部域对抗损失。
[0029]在一些优选的实施方式中，所述联合域适应损失，其计算方法为：
[0030]L
trans
＝L
doamin
+β1L
walker
+β2L
visit
[0031]L
walker
＝H(T，P
aba
)
[0032][0033]L
visit
＝(V，P
visit
)
[0034][0035][0036][0037][0038]其中，L
trans
表示联合域适应损失，L
walker
表示同类别标签数据相似度大的衡量损失，L
visit
表示源域与目标域间相似度大的衡量损失，β1、β2表示预设的正则化系数，H表示交叉熵损失函数，M...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的针对脑电信号情感特征分类方法，其特征在于，该方法包括以下步骤：S100，获取待分类的情感脑电信号数据，作为输入数据；S200，提取所述输入数据的微分熵特征，并将所述微分熵特征输入脑电信号情感分类模型的多层感知机，得到输入数据对应的深度特征；S300，基于所述深度特征，通过脑电信号情感分类模型的分类器，得到所述输入数据对应的分类结果；其中，所述脑电信号情感分类模型包括多层感知机、分类器。2.根据权利要求1所述的基于迁移学习的针对脑电信号情感特征分类方法，其特征在于，所述脑电信号情感分类模型，其训练方法为：A100，获取第一数据集、第二数据集；所述第一数据集为源域训练数据集，其包括训练样本及其对应的真实分类标签；所述第二数据集为目标域训练数据集；所述训练样本为情感脑电信号数据；A200，分别提取所述第一训练集各训练样本的微分熵特征D
s
和第二训练集中各训练样本的微分熵特征D
t
，提取后，将微分熵特征输入脑电信号情感分类模型的多层感知机，得到第一训练集各训练样本的深度特征f
s
、第二训练集中各训练样本的深度特征f
t
；A300，将f
s
、f
t
输入预构建的全局域对抗模块，计算全局域对抗损失；将f
s
、f
t
输入所述分类器的softmax中，然后输入预构建的局部域对抗模块，计算局部域对抗损失；A400，结合预设的平衡系数，对全局域对抗损失与局部域对抗损失进行平衡处理，得到全局
‑
局部域对抗损失；A500，通过一个全连接层将D
s
、D
t
映射到低维空间，记为A
i
和B
j
；计算A
i
、B
j
之间的相似度，并通过所述相似度计算从第一矩阵的任一元素转移到第二矩阵任一元素的概率从第二矩阵的任一元素转移到第一矩阵任一元素的概率进而得到从第一矩阵的任一元素转移到第二矩阵任一元素再转移到第一矩阵中任一元素的概率基于计算同类别标签数据相似度大的衡量损失、源域与目标域间相似度大的衡量损失；其中，A表示源域训练样本映射到低维空间后的特征矩阵，将其作为第一矩阵，B表示目标域训练样本映射到低维空间后的特征矩阵，作为第二矩阵；A600，将全局
‑
局部域对抗损失、同类别标签数据相似度大的衡量损失、源域与目标域间相似度大的衡量损失进行加权求和，得到联合域适应损失；A700，将深度特征输入所述分类器，得到分类结果，将其作为预测结果；基于所述预测结果、所述真实分类标签，通过交叉熵损失函数计算分类损失；将所述分类损失与所述联合域适应损失进行求和，得到总损失，进而对脑电信号情感分类模型的网络参数进行更新；A800，循环步骤A100
‑
A700，直至得到训练好的脑电信号情感分类模型。3.根据权利要求2所述的基于迁移学习的针对脑电信号情感特征分类方法，其特征在于，所述全局域对抗模块、所述局部域对抗模块均为多个全连接层构建的判别器。4.根据权利要求2所述的基于迁移学习的针对脑电信号情感特征分类方法，其特征在
于，所述全局
‑
局部域对抗损失，其计算方法为：L
doamin
＝(1
‑
ω)L
g
+ωL
ll
其中，L
doamin
表示全局
‑
局部域对抗损失，L
g
表示全局域对抗损失，L
l

【专利技术属性】
技术研发人员：左年明，蒋田仔，潘天旭，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：