基于标签对称的跨被试脑电情绪识别方法技术

本发明专利技术公开了基于标签对称的跨被试脑电情绪识别方法，包括：获取输入数据；对所述输入数据进行预处理和特征提取，得到处理后的输入数据；构建标签对称学习模型并进行训练，得到优化模型；将所述处理后的输入数据输入到所述优化模型中，得到情绪识别结果。本发明专利技术针对的脑电研究领域中较难的跨被试情境，通过构建标签对称模块和样本预测平衡模块，很好地实现了跨被试场景下脑电情感识别的问题，并且本发明专利技术方案更符合实际场景，在解决标签空间不一致的问题上，提出了扩充目标域标签空间的方法，使得目标域的标签空间和源域的标签空间相同，简化了问题，提高了跨被试脑电情感识别的准确性。性。性。

【技术实现步骤摘要】
基于标签对称的跨被试脑电情绪识别方法


[0001]本专利技术属于脑电信号处理
，特别是涉及基于标签对称的跨被试脑电情绪识别方法。

技术介绍

[0002]情绪是对一系列主观认知经验的通称，是人对客观事物的态度体验以及相应的行为反应，一般认为，情绪是以个体愿望和需求为中介的一种心理活动。对于计算机而言，如果能准确且迅速地识别人的情绪，那么在教育、医疗、科学等领域都能产生很大的效益。近年来，随着人工智能技术的发展，研究者们开始利用计算机来识别人的情绪，他们希望可以借助计算机强大的运算能力来分析并提取人的情绪特征，以实现高效识别人情绪的目的。现有的方法是根据人物的面部表情，声音语调或者行为动作来感知情绪，然而这些情绪只能从表面上观察到，有时并不能够准确反映人物的真实情绪。越来越多的研究者把注意转移到了人的脑电情绪信号，因为脑电信号具有不以人的意志而改变的特点，且是最接近人真实情绪的信号之一。脑电信号的情绪识别能够很大程度上提高计算机识别的可靠性，这对于未来的科学研究具有十分重要的作用。
[0003]现有的跨被试脑电情绪识别通常把其中一个有标签被试的脑电信号数据作为源域，另一个没有标签被试的脑电信号数据作为目标域。研究者们利用深度学习的方法在源域中训练得到一个稳定的模型，再把这个模型迁移到目标域上并希望能准确识别出目标域中脑电信号的情绪类别。然而，现有的跨被试脑电情绪识别方法通常假设源域和目标域都来自同一数据集，这意味着源域和目标域的标签空间是相同的。实际上，这并不能满足现实情境下的需求，在日常生活中，更多的是源域和目标域标签空间不一致的情况。例如，源域被试可能会经历5种不同的情绪，那么他就有5种不同的情绪信号，而目标域被试可能只经历了4种不同的情绪。当把从源域上训练得到的模型迁移到目标域上时，仅源域的情感标签可能就会对目标域的情感识别产生负迁移的影响，即把目标域的脑电信号错分为仅源域的情感类别。

技术实现思路

[0004]本专利技术的目的是提供基于标签对称的跨被试脑电情绪识别方法，以解决上述现有技术存在的问题。
[0005]为实现上述目的，本专利技术提供了基于标签对称的跨被试脑电情绪识别方法，包括：
[0006]获取输入数据；所述输入数据包括有标签的源域数据和无标签的目标域数据；
[0007]对所述输入数据进行预处理和特征提取，得到处理后的输入数据；
[0008]构建标签对称学习模型并进行训练，得到优化模型；所述标签对称学习模型由对抗网络模块和样本预测平衡模块组成；
[0009]将所述处理后的输入数据输入到所述优化模型中，得到情绪识别结果。
[0010]可选的，所述获取输入数据具体为：
[0011]分别采集被试在K种和K
‑
1种不同情绪状态下的脑电数据；其中受K种情绪刺激的被试脑电数据作为所述源域数据D
s＝
{(X
s,
Y
s
)}，受K
‑
1种情绪刺激的被试脑电数据作为目标域数据D
t
＝{(X
t
)}；目标域T的情绪类别是源域S的情绪类别的子集。
[0012]可选的，所述预处理和特征提取具体为：对所述输入数据进行滤波，滤除噪声和伪影以及DE特征提取。
[0013]可选的，经过所述DE特征提取之后的源域数据为目标域数据为其中，源域数据和目标域数据的样本特征分布相同：标签空间不相同：目标域的标签空间是源域标签空间的子集：X
s
是源域样本空间，Y
s
是源域样本的标签空间，n
s
是源域样本数量，X
t
是目标域样本空间，n
t
是目标域样本数量。
[0014]可选的，所述对抗网络模块为：
[0015][0016]其中，是对抗网络的交叉熵损失,它可以使模型在训练数据上学到的预测数据分布与真实数据分布越来越接近，是对抗网络的损失，λ是对抗网络的平衡参数，θ
f
是特征提取器参数，θ
c
是分类器参数，θ
d
是域判别器参数。
[0017]可选的，所述样本预测平衡模块为：
[0018][0019]其中，和分别表示条件熵损失和加权互补熵损失。
[0020]可选的，所述优化模型为：
[0021][0022]其中，α，β，λ均为超参数。
[0023]本专利技术的技术效果为：
[0024]1、本专利技术提出的基于标签对称的跨被试脑电情感识别方法为情感人机交互提供了一种高效的工具，利用深度学习的方法，能够在已有标签的数据集上训练模型，训练得到的模型在迁移到无标签的数据集上时也能得到良好的预测效果，大大减少了人工标记数据的工作量，为人机交互带来了很大的便利性。
[0025]2、本专利技术针对的脑电研究领域中较难的跨被试情境，通过构建标签对称模块和样本预测平衡模块，通过深度学习的方法不断优化模型，很好地实现了跨被试场景下脑电情感识别的问题，并且本专利技术方案更符合实际场景，在解决标签空间不一致的问题上，提出了扩充目标域标签空间的方法，使得目标域的标签空间和源域的标签空间相同，简化了问题，提高了跨被试脑电情感识别的准确性。
附图说明
[0026]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0027]图1为本专利技术实施例中的基于标签对称的跨被试脑电情绪识别方法流程示意图。
具体实施方式
[0028]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0029]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0030]针对现有技术的不足，本专利技术提出了基于标签对称的跨被试脑电情绪识别方法。通过向目标域中随机添加源域样本，以扩充目标域的标签空间，使其标签空间和源域的标签空间相同。通过这样的手段，在源域上训练的模型在迁移到目标域上时鲁棒性也会大大提升。
[0031]步骤1、分别采集被试在K种和K
‑
1种不同情绪状态下的脑电数据。其中受K种情绪刺激的被试脑电数据作为源域数据D
s
＝{(X
s
,Y
s
)}，受K
‑
1种情绪刺激的被试脑电数据作为目标域数据D
t
＝{(X
t
)}。需要注意是，目标域T的情绪类别是源域S的情绪类别的子集。
[0032]步骤2、对步骤1采集得到的脑电数据进行预处理和特征提取，经过特征提取之后的源域数据为目标域数据为目标域数据为其中，源域和目标域数据的样本特征分布相同：但标签空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于标签对称的跨被试脑电情绪识别方法，其特征在于，包括以下步骤：获取输入数据；所述输入数据包括有标签的源域数据和无标签的目标域数据；对所述输入数据进行预处理和特征提取，得到处理后的输入数据；构建标签对称学习模型并进行训练，得到优化模型；所述标签对称学习模型由对抗网络模块和样本预测平衡模块组成；将所述处理后的输入数据输入到所述优化模型中，得到情绪识别结果。2.根据权利要求1所述的基于标签对称的跨被试脑电情绪识别方法，其特征在于，所述获取输入数据具体为：分别采集被试在K种和K
‑
1种不同情绪状态下的脑电数据；其中受K种情绪刺激的被试脑电数据作为所述源域数据，受K
‑
1种情绪刺激的被试脑电数据作为目标域数据；目标域T的情绪类别是源域S的情绪类别的子集。3.根据权利要求1所述的基于标签对称的跨被试脑电情绪识别方法，其特征在于，所述预处理和特征提取具体为：对所述输入数据进行滤波，滤除噪声和伪影以及DE特征提取。4.根据权利要求3所述的基于标签对称的跨被试脑电情绪识别方法，其特征在于，经过所述DE特征提取...

【专利技术属性】
技术研发人员：沈方瑶，江海艇，陈丽娜，郭鸿杰，张尧，高宏，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：