[发明专利]基于元学习实例快速筛选的脑电情绪识别方法、系统

权利要求书

1.一种基于元学习实例快速筛选的脑电情绪识别方法，其特征在于，包括：

步骤S10，获取设定时间内的各电极脑电数据作为待识别脑电数据；

步骤S20，分别计算所述待识别脑电数据中各电极脑电数据的特征向量，并将获取的特征向量拼接，得到待识别特征向量；

步骤S30，采用训练好的情绪识别模型，依据所述待识别特征向量，获取相应的情绪标签并输出；

其中，所述情绪识别模型基于深度神经网络构建，其训练过程中，以带标签的脑电数据样本为训练样本集，采用监督学习的方式进行训练；

所述训练样本集，包括带标签采集样本子集、带标签辅助样本子集；

所述带标签采集样本子集中每个带标签采集样本，通过对带标签脑电数据样本进行特征向量计算并拼接后获得；所述带标签辅助样本子集，为所述带标签采集样本子集中样本数量低于设定阈值时，从样本蓄水池中筛选出的符合要求的样本集合；所述样本蓄水池，由大量带标签特征向量构成；

从样本蓄水池中筛选符合要求的样本集合，其方法为：

采用训练后的脑电数据-情绪关系网络，基于所述采集样本子集，筛选样本蓄水池中样本，获得带标签辅助样本子集；所述脑电数据-情绪关系网络基于深度神经网络构建，利用样本蓄水池采用元学习策略进行训练。

2.根据权利要求1所述的基于元学习实例快速筛选的脑电情绪识别方法，其特征在于，步骤S20中“分别计算所述待识别脑电数据中各电极脑电数据的特征向量，并将获取的特征向量拼接，得到待识别特征向量”，其方法为：

步骤S21，采用带通滤波器对所述待识别脑电数据中各电极数据滤波，获得各电极不同频段脑电数据；

步骤S22，分别计算各电极不同频段脑电数据的特征向量，并将获取的特征向量拼接，得到待识别特征向量。

3.根据权利要求2所述的基于元学习实例快速筛选的脑电情绪识别方法，其特征在于，步骤S22中“计算各电极不同频段脑电数据的特征向量”，其方法为：

其中，h(x)为一个电极其中一个频段的特征向量；e为欧拉常数，为时间信号的标准差，x_i为各电极不同频段脑电数据的中的第i个数据。

4.根据权利要求1所述的基于元学习实例快速筛选的脑电情绪识别方法，其特征在于，所述样本蓄水池，其数据来源分为三种情况：

第一种情况：样本蓄水池中的数据均为其他被测试对象的历史数据；

在样本蓄水池中随机抽取两个样本数据，当二者来自同一个被测试对象时，标签设置为1；当二者来自不同的被测试对象时，标签设置为0；重复上述过程多次，形成小批量脑电数据-情绪关系网络训练数据集；

第二种情况：样本蓄水池中的数据均为目标被测试对象的历史数据；

在样本蓄水池中随机抽取两个样本数据，当二者来自同一次实验时，标签设置为1；当二者来自不同实验时，标签设置为0；重复上述过程多次，形成小批量脑电数据-情绪关系网络训练数据集；

第三种情况：样本蓄水池中的数据包括其他被测试对象的历史数据和目标被测试对象的历史数据；

将目标被试者的历史数据视为独立的数据参与抽样，在样本蓄水池中随机抽取两个样本数据，当二者来自同一个被测对象或一个对象的同一次测试，则将标签设置为1；否则将标签设置为0；重复上述过程多次，形成小批量脑电数据-情绪关系网络训练数据集。

5.根据权利要求4所述的基于元学习实例快速筛选的脑电情绪识别方法，其特征在于，所述脑电数据-情绪关系网络，其训练过程中的训练数据集需要保持平衡性，标签为1的样本对和标签为0的样本对的数量差低于设定阈值。

6.根据权利要求4所述的基于元学习实例快速筛选的脑电情绪识别方法，其特征在于，所述带标签辅助样本子集，其辅助样本的筛选方法为：

步骤M10，通过训练好的脑电数据-情绪关系网络遍历标定数据的每一个样本数据与样本蓄水池数据的相似度评分；

步骤M20，选取相似度评分大于设定阈值的样本蓄水池的样本数据作为辅助样本。