【技术实现步骤摘要】
基于脑电信号的自监督情绪识别模型的预训练方法及装置
[0001]本申请涉及人工智能
，尤其涉及深度学习
，可应用于脑电信号识别模型的训练场景
。
更具体的，本申请公开了一种基于脑电信号的自监督情绪识别模型的预训练方法及装置
。
技术介绍
[0002]自监督预训练模型在自然语言处理和计算机视觉等领域得到了广泛的应用，生物信号作为时间序列的一个重要研究内容，也在探索自监督训练方法
。
基于脑电信号的情绪识别是自监督预训练模型的一种典型应用领域，在相关技术中，通常采用多种不同方法来实现
EEG
信号的处理，并提取与情绪状态相关的特征，其中，频带搜索方法通过选择最佳频带来实现情绪识别；特征提取方法通过提取与情绪状态相关的特征来实现情绪识别，如微分熵特征；分类器方法使用不同的分类器来对提取的特征进行分类，如核分类器
、
卷积神经网络等；特征选择方法通过特征选择方式来减少特征数量和提高分类器的性能，如基于
ReliefF
的通道选择方法；...
【技术保护点】
【技术特征摘要】
1.
一种基于脑电信号的自监督情绪识别模型的预训练方法，其特征在于，包括：将原始脑电信号向量输入至初始自监督情绪识别模型，获取模型预测掩码；根据所述模型预测掩码以及基于聚类算法获取的情绪状态伪标签计算训练损失值；参考所述训练损失值调整所述初始信号识别模型的配置参数后进行迭代训练，直至所述训练损失值小于或等于预设损失值阈值，得到训练完成的自监督情绪识别模型；其中，训练完成的自监督情绪识别模型用于对脑电信号中的情绪特征进行提取，并预测情绪的分类结果
。2.
根据权利要求1所述的预训练方法，其特征在于，自监督情绪识别模型包括卷积神经网络以及自注意力网络，所述将原始脑电信号向量输入至初始自监督情绪识别模型，获取模型预测掩码的步骤，包括：将原始脑电信号向量输入至初始自监督情绪识别模型的卷积神经网络进行下采样和特征提取，得到嵌入式结构信息特征向量；将所述嵌入式结构信息特征向量输入至所述初始自监督情绪识别模型的自注意力网络，得到模型预测掩码；其中，所述模型预测掩码为结构关联的序列特征向量
。3.
根据权利要求1所述的预训练方法，其特征在于，所述根据所述模型预测掩码以及基于聚类算法获取的情绪状态伪标签计算训练损失值的步骤之前，还包括：将多通道脑电信号处理成维度对齐的脑电信号向量；计算所述脑电信号向量对应的微分熵特征向量；采用预设聚类算法对所述微分熵特征向量进行计算，得到情绪状态伪标签
。4.
根据权利要求3所述的预训练方法，其特征在于，所述采用预设聚类算法对所述微分熵特征向量进行计算，得到情绪状态伪标签的步骤，包括：将所有所述微分熵特征向量作为样本点，两两之间计算样本点距离；将所述样本点距离与预设距离度量阈值进行比较；若比较结果满足预设第一比较条件，则以所述距离度量阈值为半径
、
满足条件的所述样本点为中心，统计所限定范围内的样本点数量；将所述样本点数量与预设最小聚合点数量阈值进行比较；若比较结果满足预设第二比较条件，则确定为有效聚类；根据聚类结果确定情绪状态伪标签
。5.
根据权利要求4所述的预训练方法，其特征在于，所述样本点距离的计算公式表示为：其中，
dist(X,Y)
表示所述样本点距离，
x
k
、y
k
表示两个样本点对应的样本变量，
n
表示样本变量的维度，
q
表示可控变量参数
。6....
【专利技术属性】
技术研发人员：胡新荣，陈宇，罗瑞奇，彭涛，刘军平，吴渊，程君，严金林，许进，丁磊，姚迅，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。