【技术实现步骤摘要】
本专利技术属于脑机接口情绪识别领域，具体涉及一种基于数据增强的跨被试脑电信号情绪识别方法。
技术介绍
1、脑机接口技术在近些年高速发展，关于脑机接口在各个领域的应用备受关注。情感脑机接口与人们的生产生活有密切的联系，情绪反映了人类当前的生理和心理状态，它决定着人类的认知过程、沟通和决策能力，使用脑电信号的情绪识别在日常生活的许多场景中起着重要的作用。
2、原始的脑电信号通常是由通道和时间两个维度构成，直接使用二维的脑电数据会忽略其中很多的信息。现有技术将所有的脑电信号加入随机生成的高斯噪声，然后将二维的数据按照时间进行切片，将这些片段进行堆叠后得到三维的数据，使用3d-cnn对数据进行情绪识别；或者根据采集时电极的物理位置，使用不同的电极排列方式对数据进行处理，探索大脑各区域之间的连通性。
3、上述现有技术在对有限的脑电数据进行训练时容易出现过拟合，且没有得到脑电信号的高质量空间信息。
技术实现思路
1、为解决上述技术问题，本专利技术采用一种基于数据增强的跨被试脑电信号情绪识别方法，包括：
2、获取待预测的脑电信号，对待预测的脑电信号进行预处理，将预处理后的脑电信号输入训练好的脑电信号情绪识别模型，得到情绪分类结果；所述脑电信号情绪识别模型包括数据增强网络、判别器、特征提取器以及分类器；
3、脑电信号情绪识别模型的训练过程包括：
4、s1、获取用户在观看不同视频片段时对应情绪的脑电信号，并对脑电信号进行预处理；将预处理后的
5、s2、对源域数据进行数据屏蔽，将屏蔽后的数据输入数据增强网络，得到生成数据；
6、s3、将生成数据和目标域数据输入判别器，得到浅层域特征；
7、s4、将源域数据和目标域数据输入特征提取器进行数据对齐，得到源域浅层情绪特征和目标域浅层情绪特征；
8、s5、将源域浅层情绪特征输入分类器，得到分类结果；
9、s6、根据浅层域特征、生成数据、源域浅层情绪特征、目标域浅层情绪特征以及分类结果计算总体损失函数值，根据总体损失函数值进行参数更新，当达到预先设定的训练次数时，完成模型训练。
10、对脑电信号进行预处理包括：
11、将脑电信号降采样至200hz，得到降采样后的脑电信号h1，再使用0.3-50hz的带通滤波器对h1进行滤波，得到滤波数据h2，使用独立成分分析方法去除h2中的眼电伪迹，得到去除眼电伪迹后的数据h3，对h3进行特征平滑，得到平滑数据h4，使用非重叠滑动窗口对h4进行分割，得到分割后的数据h5，从h5中提取δ、θ、α、β、γ五个频段的数据，得到数据h6，从h6中提取微分熵特征，得到微分熵特征h7，根据电极的物理位置将h7映射到矩阵中，得到矩阵x。
12、对源域数据进行数据屏蔽包括：
13、从均匀分布u～[0,1)中随机采样，得到一个与矩阵x大小相同的矩阵z，根据矩阵z对源域数据进行数据屏蔽包括：
14、
15、其中，xi是矩阵x中位置i的值，zi是矩阵z中位置i的值，τ表示数据屏蔽的阈值。
16、阈值τ的更新过程包括：
17、τ＝λ(1-d(xg))+ε
18、其中，xg表示生成数据，d(·)表示判别器的输出，λ为超参数，ε为常数。
19、数据增强网络为改进的unet网络，包括三层特征提取层、一层bottleneck层和三层上采样层；特征提取层包括一层卷积层和一层leakyrelu激活层，最后一层上采样层包括一层转置卷积层，其余上采样层均包括一层转置卷积层和一层leakyrelu激活层；其中，bottleneck层为瓶颈层。
20、判别器包含卷积层、深度可分离卷积层、全连接层和sigmoid层；判别器对生成数据与目标域数据进行处理包括：
21、s31、将生成数据与目标域数据输入卷积层进行特征提取，得到浅层特征x1；
22、s32、将浅层特征x1输入深度可分离卷积层进行特征提取，得到浅层域特征x2；
23、s33、将浅层域特征x2输入全连接层，得到深度特征x3；
24、s34、利用sigmoid激活函数对深度特征x3进行处理，得到判别结果。
25、特征提取器包含卷积层和深度可分离卷积层；特征提取器与判别器的卷积层和深度可分离卷积层共享权重。
26、分类器包括全连接层、selu激活层和softmax层。
27、总体损失函数lt为：
28、lt＝la+ldomain+lemotion+lce
29、其中，la表示数据增强网络的损失函数，ldomain表示域分布差异损失函数，lemotion表示特征提取器的损失函数，lce表示分类器的损失函数。
30、域分布差异损失函数ldomain为：
31、
32、
33、其中，αi表示生成数据与目标域数据之间的差异，μg表示生成数据的浅层域特征的平均值，μt表示目标域数据的浅层域特征的平均值，σg表示生成数据的浅层域特征的方差，σt表示目标域数据的浅层域特征的方差，n表示数据的数量，表示l2范数的平方。
34、有益效果：
35、1、本专利技术根据电极的物理位置将脑电数据映射到矩阵中，使得矩阵包含原始脑电数据的空间信息以及电极间未测量区域的信息；2、对数据进行数据屏蔽，控制用于数据增强的数据的比例，让数据具有真实分布，配合数据增强网络得到得到多样化且具有真实的脑电信号分布的生成数据，使用数据增强的数据能增加训练数据的数量，避免对有限的脑电数据进行训练时出现过拟合；3、本专利技术结合空间信息与数据增强的方式将不同情绪的数据特征进行对齐，得到比现有专利技术更高的精度。
本文档来自技高网...【技术保护点】
1.一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，包括：获取待预测的脑电信号，对待预测的脑电信号进行预处理，将预处理后的脑电信号输入训练好的脑电信号情绪识别模型，得到情绪分类结果；所述脑电信号情绪识别模型包括数据增强网络、判别器、特征提取器以及分类器；
2.根据权利要求1所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，对脑电信号进行预处理包括：
3.根据权利要求1所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，对源域数据进行数据屏蔽包括：
4.根据权利要求3所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，阈值τ的更新过程包括：
5.根据权利要求1所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，数据增强网络为改进的UNet网络，包括三层特征提取层、一层bottleneck层和三层上采样层；特征提取层包括一层卷积层和一层LeakyReLU激活层，最后一层上采样层包括一层转置卷积层，其余上采样层均包括一层转置卷积层和一层LeakyReLU激活层；其中，bottle
6.根据权利要求1所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，判别器包含卷积层、深度可分离卷积层、全连接层和Sigmoid层；判别器对生成数据与目标域数据进行处理包括：
7.根据权利要求1所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，特征提取器包含卷积层和深度可分离卷积层；特征提取器与判别器的卷积层和深度可分离卷积层共享权重。
8.根据权利要求1所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，分类器包括全连接层、SELU激活层和Softmax层。
9.根据权利要求1所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，总体损失函数LT为：
10.根据权利要求9所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，域分布差异损失函数Ldomain为：
...【技术特征摘要】
1.一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，包括：获取待预测的脑电信号，对待预测的脑电信号进行预处理，将预处理后的脑电信号输入训练好的脑电信号情绪识别模型，得到情绪分类结果；所述脑电信号情绪识别模型包括数据增强网络、判别器、特征提取器以及分类器；
2.根据权利要求1所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，对脑电信号进行预处理包括：
3.根据权利要求1所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，对源域数据进行数据屏蔽包括：
4.根据权利要求3所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，阈值τ的更新过程包括：
5.根据权利要求1所述的一种基于数据增强的跨被试脑电信号情绪识别方法，其特征在于，数据增强网络为改进的unet网络，包括三层特征提取层、一层bottleneck层和三层上采样层；特征提取层包括一层卷积层和一层leakyrelu激活层，最后一层上采样层包括一层转置...
【专利技术属性】
技术研发人员：邓欣，陈卓峰，刘彬，张连花，包飞扬，魏世委，
申请(专利权)人：重庆邮电大学，
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。