一种面向情绪识别的深度迁移学习域自适应方法技术

本发明专利技术公开了一种面向情绪识别的深度迁移学习域自适应方法，包括S1：对原始脑电信号进行采样、处理和特征提取；S2：对目标域数据和源域数据进行特征降维；S3：对降维后的数据进行深度域自适应；S4：进行标签预测；S5：选取不同的被试者作为目标域，重复S2

【技术实现步骤摘要】
一种面向情绪识别的深度迁移学习域自适应方法


[0001]本专利技术涉及情绪识别迁移学习领域，尤其是涉及一种面向情绪识别的深度迁移学习域自适应方法。

技术介绍

[0002]基于脑电图的情绪识别技术作为疾病诊断和治疗的重要手段越来越受到人们的重视。由于脑电信号有着复杂的特性，即使同一个人在受到相同刺激的条件下，所产生的脑电信号也是存在差异的，所以在实际实施中很难建立一个通用的模型来应用于不同被试者或者不同的试验批次。为解决这个问题，一些研究采用迁移学习中的域自适应方法。域自适应的核心是减小两个域之间的差异，从而通过带标签的源域数据来确定目标域数据的标签。目前，最大均值差异(MMD)是最常用于度量两个领域差异的方法，其将源域数据和目标域数据映射到再生核希尔布特空间(RKHS)中进行度量，但大多数的研究方法大多基于边缘分布或者条件分布来衡量分布差异，无法完全消除源域和目标域之间的领域差异，且其跨被试和跨试验批次实验中域适应程度较低。

技术实现思路

[0003]本专利技术是为了克服现有技术的情绪识别迁移学习中源域和目标域之间的领域差异，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向情绪识别的深度迁移学习域自适应方法，其特征是，包括以下步骤：S1：对原始脑电信号进行采样和预处理，并提取微分熵特征；S2：在一次跨被试实验中，选取一个被试者数据作为目标域数据，剩下的被试者数据作为源域数据，对数据进行特征降维；S3：对降维后的数据进行深度域自适应；S4：对目标域数据进行标签预测并与真实结果对比，得出本次跨被试实验的准确率；S5：选取不同的被试者作为目标域，重复S2
‑
S4，直到所有被试者和所有批次都循环一次后跨被试实验结束；S6：在跨批次实验中，选择一个试验批次作为目标域数据，剩下的数据作为源域数据，执行S3
‑
S4，直到所有被试者和所有试验批次都循环一次后跨批次实验结束。2.根据权利要求1所述的一种面向情绪识别的深度迁移学习域自适应方法，其特征是，所述S3中深度域自适应为三层网络拓扑结构模型，模型第一层计算源域数据与目标域数据的JP
‑
MMD值，JP
‑
MMD同时考虑边缘分布与条件分布，模型后两层计算MMD值。3.根据权利要求1所述的一种面向情绪识别的深度迁移学习域自适应方法，其特征是，所述S3具体包括以下步骤：S31：将源域数据与目标域数据输入深度域自适应模型进行特征转换；S32：进行边缘分布自适应，计算k维嵌入中源域数据与目标域数据样本之间的距离；S33：进行条件分布自适应，得到未带标签的目标域数据的伪标签后，匹配类条件分布，测量类条件分布距离；S34：在匹配完边缘分布与条件分布后，源域数据与目标域数据到达网络模型的后两层进行深度域自适应，后两层网络都采用最大均值差异计算和比较不同分布。4.根据权利要求3所述的一种面向情绪识别的深度迁移学习域自适应方法，其特征是，所述S31中特征转换的公式如下：其中，tr(
·
)表示矩阵的迹，表示输入数据矩阵，1为中心矩阵，是一个1的n
×
n矩阵，I＝A
T<...

【专利技术属性】
技术研发人员：祝磊，于飞，黄爱爱，张建海，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：