一种基于无源域域适应的脑电情绪识别方法技术

本发明专利技术公开了一种基于无源域域适应的脑电情绪识别方法，包括：1，对原始脑电信号数据进行预处理后将数据划分为源域和目标域；2，先提取源域数据的微分熵特征，然后构建多层感知机并在源域数据上对其训练，生成受试者的源域模型；3，利用源域模型参数和无标签的目标域数据生成受试者的目标模型；4，利用生成的目标模型实现目标域数据上的情绪分类任务。本发明专利技术不使用源域数据仅利用源域模型参数来适应目标域，能达到保护用户隐私的目的，同时能解决因不同受试者数据分布差异而导致模型识别准确率下降的问题，从而增加情绪识别方法在交通等领域的应用价值。领域的应用价值。领域的应用价值。

【技术实现步骤摘要】
一种基于无源域域适应的脑电情绪识别方法


[0001]本专利技术涉及情感计算领域，具体的说是一种基于无源域域适应的脑电情绪识别方法。

技术介绍

[0002]情绪是是人类意识和行为的综合表现，在交通领域中，情绪的稳定对于航空飞行、高速铁路和长途汽车的驾驶员非常重要，通过实时评估驾驶员的情绪状态，判断其是否需要休息调整，进而保障驾驶安全，因此实现情绪的正确识别在交通领域中有极大的研究应用价值。进行情绪识别主要依赖的信号可以分为非生理信号和生理信号，非生理信号有面部表情、语音声调和身体姿态等，生理信号主要有脑电(electroencephalogram,EEG)信号、心电(electrocardiogram，ECG)信号和肌电(electromyogram，EMG)信号。由于非生理信号具有很强的主观性，从而很难真实的反应情绪状态，因此情绪识别中更多使用的是生理信号，此外研究表明与情绪密切相关的区域主要在大脑皮层，因此基于EEG的情绪识别方法成为主流。
[0003]基于EEG情绪识别的传统方法主要通过对生理信号的时域、频域和时频域特征进行手工提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无源域域适应的脑电情绪识别方法，其特征在于，是按如下步骤进行：步骤1、获取N个受试者的原始脑电信号数据并进行降采样、滤波和分割的预处理，得到预处理后的脑电信号数据；将其中一个受试者预处理后的脑电信号数据作为目标域数据其余N
‑
1个受试者预处理后的脑电信号数据作为源域数据令源域数据X
s
的标签为其中，表示源域数据X
s
中的第i个数据，表示目标域数据X
t
中的第j个数据，Q表示脑电信号的通道数，P表示采样点数，表示源域数据X
s
中第i个数据对应的标签，C表示标签的类别数，n
s
，n
t
分别表示源域数据X
s
和目标域数据X
t
的样本数量；步骤2、生成受试者的最优源域模型步骤2.1、运用短时傅里叶变换提取所述第i个数据的各个通道中若干个频段的微分熵特征，并将所有通道的频段特征拼接后，得到第i个数据的微分熵特征E为拼接后的特征数；步骤2.2、所述第i个数据的微分熵特征输入多层感知机MLP中进行处理，并输出第i个数据的预测标签基于源域数据X
s
及其标签Y
s
和预测标签，利用SGD优化器对多层感知机MLP进行训练，并最小化交叉熵损失函数，直到交叉熵损失函数收敛为止，从而得到最优源域模型及训练好的源域模型参数步骤3、利用训练好的源域模型参数和不带标签的目标域数据X
t
来生成受试者的最优目标模型步骤3.1、使用源域模型参数来初始化另一个结构相同的多层感知机MLP后，得到目标模型g
t
，按照步骤2.1过程得到目标域数据X
t
的微分熵特征并输入目标模型g
t
中进行处理，由隐藏层的最后一层输出目标域数据X
t
的隐藏特征再经输出层后的softmax函数处理，得到目标域数据X
t
的类别概率其中，B表示隐藏层的最后一层的神经元数量；步骤3.2、将目标域数据X
t
分成多个小批量，采取批训练的方式来训练目标模型g
t
：步骤3.2.1、将当前小批量的目标域数据输入到当...

【专利技术属性】
技术研发人员：李畅，赵红宇，刘羽，宋仁成，成娟，陈勋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：