脑电跨被试的情绪识别方法、装置、设备及介质制造方法及图纸

本申请涉及一种脑电跨被试的情绪识别方法、装置、设备及介质，其中方法包括：获取脑电图数据；从所述脑电图数据中提取多个频带的差分熵特征，得到初始特征；基于梯度反转的方式，对所述初始特征进行特征提取，得到非结构化特征；对所述初始特征进行数据增强和结构化特征的提取，得到结构化特征；基于多头自注意机制，将所述非结构化特征和所述结构化特征进行特征融合，得到融合特征；通过所述融合特征在所述标记源域的脑电图数据上训练分类器，得到训练后的分类器，并基于所述分类器输出情绪识别结果。本发明专利技术克服了在适应未标记源域和捕获丰富的非结构化和结构化信息方面的局限性，有利于提高情绪识别的准确性。于提高情绪识别的准确性。于提高情绪识别的准确性。

【技术实现步骤摘要】
脑电跨被试的情绪识别方法、装置、设备及介质


[0001]本申请涉及人工智能
，尤其涉及一种脑电跨被试的情绪识别方法、装置、设备及介质。

技术介绍

[0002]情感计算领域正在迅速发展基于脑电图的情感识别技术。然而，当前该领域的研究工作主要采用监督学习方法，这些方法在模型训练中严重依赖高质量的标记数据。这个过程可能耗时、昂贵，并且难以获取。相比之下，大量可用的未标记数据为半监督学习(SSL)提供了机会，其中少量标记数据可以与大量未标记数据结合，构建具有增强泛化能力的模型，同时减轻广泛标注工作的负担。
[0003]当前半监督脑电图情感识别面临的一个重要挑战是开发能够有效利用标记和未标记数据来提高模型学习的算法。然而，先前的半监督脑电图情感识别方法在模型训练中仅利用了来自源域的标记数据，并且开发了区分标记源域和未知目标域的域分类器。这些方法无法很好地适应未标记的源域，导致性能不佳，特别是当源数据主要是未标记的时候。此外，这些方法从孤立的脑电图通道中提取特征，忽略了不同脑电图通道之间的复杂特征表示。这种限制导致了在建模过程中缺乏丰富的结构信息表示。

技术实现思路

[0004]本申请实施例的目的在于提出一种脑电跨被试的情绪识别方法、装置、设备及介质，以克服在适应未标记源域和捕获丰富的非结构化和结构化信息方面的局限性，提高情绪识别的准确性。
[0005]为了解决上述技术问题，本申请实施例提供一种脑电跨被试的情绪识别方法，包括：
[0006]获取脑电图数据，其中，所述脑电图数据包括：标记源域的脑电图数据、未标记源域的脑电图数据和未知目标域的脑电图数据；
[0007]从所述脑电图数据中提取多个频带的差分熵特征，得到初始特征；
[0008]基于梯度反转的方式，对所述初始特征进行特征提取，得到非结构化特征；
[0009]对所述初始特征进行数据增强和结构化特征的提取，得到结构化特征；
[0010]基于多头自注意机制，将所述非结构化特征和所述结构化特征进行特征融合，得到融合特征；
[0011]通过所述融合特征在所述标记源域的脑电图数据上训练分类器，得到训练后的分类器，并基于所述分类器输出情绪识别结果。
[0012]为了解决上述技术问题，本申请实施例提供一种脑电跨被试的情绪识别装置，包括：
[0013]脑电图数据获取单元，用于获取脑电图数据，其中，所述脑电图数据包括：标记源域的脑电图数据、未标记源域的脑电图数据和未知目标域的脑电图数据；
[0014]差分熵特征提取单元，用于从所述脑电图数据中提取多个频带的差分熵特征，得到初始特征；
[0015]非结构化特征提取单元，用于基于梯度反转的方式，对所述初始特征进行特征提取，得到非结构化特征；
[0016]结构化特征提取单元，用于对所述初始特征进行数据增强和结构化特征的提取，得到结构化特征；
[0017]特征融合单元，用于基于多头自注意机制，将所述非结构化特征和所述结构化特征进行特征融合，得到融合特征；
[0018]分类器训练单元，用于通过所述融合特征在所述标记源域的脑电图数据上训练分类器，得到训练后的分类器，并基于所述分类器输出情绪识别结果。
[0019]为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的脑电跨被试的情绪识别方法。
[0020]为解决上述技术问题，本专利技术采用的一个技术方案是：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的脑电跨被试的情绪识别方法。
[0021]本专利技术实施例提供了一种脑电跨被试的情绪识别方法、装置、设备及介质。其中，方法包括：获取脑电图数据，其中，所述脑电图数据包括：标记源域的脑电图数据、未标记源域的脑电图数据和未知目标域的脑电图数据；从所述脑电图数据中提取多个频带的差分熵特征，得到初始特征；基于梯度反转的方式，对所述初始特征进行特征提取，得到非结构化特征；对所述初始特征进行数据增强和结构化特征的提取，得到结构化特征；基于多头自注意机制，将所述非结构化特征和所述结构化特征进行特征融合，得到融合特征；通过所述融合特征在所述标记源域的脑电图数据上训练分类器，得到训练后的分类器，并基于所述分类器输出情绪识别结果。本专利技术实施例能够克服在适应未标记源域和捕获丰富的非结构化和结构化信息方面的局限性，有利于提高情绪识别的准确性。
附图说明
[0022]为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本申请实施例提供的脑电跨被试的情绪识别方法流程的一实现流程图；
[0024]图2是本申请实施例提供的脑电跨被试的情绪识别方法的实施过程示意图；
[0025]图3是本申请实施例提供的脑电跨被试的情绪识别方法中子流程图；
[0026]图4是本申请实施例提供的脑电跨被试的情绪识别方法中子流程图；
[0027]图5是本申请实施例提供的脑电跨被试的情绪识别方法中子流程图；
[0028]图6是本申请实施例提供的脑电跨被试的情绪识别方法中子流程图；
[0029]图7是本申请实施例提供的情绪识别实施例示意图；
[0030]图8是本申请实施例提供的不同迭代下模型性能示意图；
[0031]图9是本申请实施例提供的信息特征在不同阶段的示意图；
[0032]图10是本申请实施例提供的不同阶段的分类结果示意图；
[0033]图11是本申请实施例提供的脑电跨被试的情绪识别装置示意图；
[0034]图12是本申请实施例提供的计算机设备的示意图。
具体实施方式
[0035]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
[0036]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0037]为了使本
的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑电跨被试的情绪识别方法，其特征在于，包括：获取脑电图数据，其中，所述脑电图数据包括：标记源域的脑电图数据、未标记源域的脑电图数据和未知目标域的脑电图数据；从所述脑电图数据中提取多个频带的差分熵特征，得到初始特征；基于梯度反转的方式，对所述初始特征进行特征提取，得到非结构化特征；对所述初始特征进行数据增强和结构化特征的提取，得到结构化特征；基于多头自注意机制，将所述非结构化特征和所述结构化特征进行特征融合，得到融合特征；通过所述融合特征在所述标记源域的脑电图数据上训练分类器，得到训练后的分类器，并基于所述分类器输出情绪识别结果。2.根据权利要求1所述的脑电跨被试的情绪识别方法，其特征在于，所述基于梯度反转的方式，对所述初始特征进行特征提取，得到非结构化特征，包括：将所述初始特征展平为一维特征向量；将所述一维特征向量输入特征提取器中，以基于梯度反转的方式对所述一维特征向量进行样本特征提取，得到样本特征；将不同域中所述样本特征的分布偏移进行对齐，得到所述非结构化特征。3.根据权利要求2所述的脑电跨被试的情绪识别方法，其特征在于，所述样本特征包括标记源域样本特征、未标记源域样本特征以及未知目标域样本特征，所述将不同域中的所述样本特征的分布偏移进行对齐，得到所述非结构化特征，包括：通过鉴别器对不同域中所述样本特征的分布偏移进行对齐，生成鉴别器损失值；根据鉴别器损失函数基于所述鉴别器损失值优化不同域中所述样本特征的分布差异，得到所述非结构化特征；其中，所述鉴别器损失函数为：其中，l(x
i
)是输入样本数据的独热编码标签，F
NS
(X
i
)是相应源域对应的样本特征，θ
d
为鉴别器参数，为所述鉴别器损失值。4.根据权利要求1所述的脑电跨被试的情绪识别方法，其特征在于，所述对所述初始特征进行数据增强和结构化的特征提取，得到结构化特征，包括：构建图卷积网络，并基于所述图卷积网络将所述初始特征转换为空间特征表示形式，得到图卷积特征；通过对所述图卷积特征进行数据增强生成正样本，并通过对比损失的方式，从所述正样本中提取结构化的特征，得到所述结构化特征。5.根据权利要求4所述的脑电跨被试的情绪识别方法，其特征在于，所述构建图卷积网络，并基于所述图卷积网络将所述初始特征转换为空间特征表示形式，得到图卷积特征，包括：构建基于通道的所述图卷积网络；根据所述脑电图数据与所述初始特征构建特征矩阵；
根据所述图卷积网络聚合所述特征矩阵的邻居信息，以提取所述初始特征的空间特征，得到所述图卷积特征；其中，在所述图卷积网络中，构建动态的邻接矩阵，并基于图拉普拉斯矩阵的切比雪夫展开，从所述邻接矩阵提取节点特征，且...

【专利技术属性】
技术研发人员：梁臻，叶炜珊，黄淦，张力，李琳玲，
申请(专利权)人：深圳大学，
类型：发明
国别省市：