基于多视图的域自适应表征学习的脑电情绪识别方法技术

本发明专利技术公开了基于多视图的域自适应表征学习的脑电情绪识别方法，包括如下步骤：对于每个受试者的多个试验的脑电信号分别进行短时傅里叶变换；设计了一种交叉注意力机制，分为多视图时间框架注意和多视图注意两个部分；使用1×1×1的卷积对MvCA模块中提取的特征去除频带维，减少后续的计算量；设计了膨胀因果卷积(DCCNN)进一步提取脑电信号的时序特征；在生成式对抗性网络(GAN)的激励下，开发一个针对特征提取器和域鉴别器的对抗性训练过程；标签分类器与情绪识别任务连接，训练学习情绪的分布，从脑电图信号的深度表征中输出情绪标签。本专利解决了对脑电信号的特征提取不充分和由于个体差异导致模型的泛化性的问题，提高了基于脑电信号的情绪识别系统的准确性。

【技术实现步骤摘要】

本专利技术涉及脑电情绪识别，具体是基于多视图的域自适应表征学习的脑电情绪识别方法。

技术介绍

1、近年来，由于中枢神经系统在情感表达上的客观性，脑电信号已成为识别和推理情感最鲁棒性的线索之一。对于脑电信号，构建一个情绪识别器最关键的一点在于，如何从脑电信号中提取相应的深度特征。当前流行的脑电情绪识别方法主要通过卷积神经网络(cnn)、循环神经网络(rnn)等深度学习模型提取单个通道的时空特征表示。然而，多视图脑电图信号在不同时间框架和通道对情绪识别的贡献不同。因此，考虑多视角学习来探索多通道之间的互补信息，并结合注意机制，通过选择最相关的通道和时间框架来识别情绪识别中信息最丰富的时空特征。由于不同个体之间数据分布的变化，以往许多基于多视图的情绪识别的研究建立了基于个体大脑反应的模型。虽然用户依赖的模型很流行，但最近的一些研究建议构建特别设计的用户独立的模型。因此，为了解决数据中的分布偏移问题，集成一个域鉴别器，生成一个共同的特征空间，约束不同(源和目标)域之间的相似特征分布；这使得我们不仅可以减少跨被试场景中数据分布的差异，还可以提高跨会话实验中的模型泛化本文档来自技高网...

【技术保护点】

1.基于多视图的域自适应表征学习的脑电情绪识别方法，其特征在于，包括如下步骤：

【技术特征摘要】

1.基于多视图的域自适应表征学习的脑电情...

【专利技术属性】
技术研发人员：李超，赵子平，王思琦，边宁，单鹏，
申请(专利权)人：天津师范大学，
类型：发明
国别省市：