[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

说明书

本发明属于脑机接口以及机器学习领域，具体涉及了一种基于元学习实例快速筛选的脑电情绪识别方法、系统，旨在解决在样本数量不足的情况下，很难实现脑电情绪识别系统的跨被试者、跨时间快速适配的问题。本发明方法包括：获取设定时间内的各电极脑电数据作为待识别脑电数据；分别计算各电极数据的特征向量并拼接，得到待识别特征向量；采用训练好的情绪识别模型，依据待识别特征向量，获取相应的情绪标签并输出。本发明采用机器学习的前沿领域之一的元学习方法，既受益于深度学习所带来的强大表示能力，又得益于元学习强大的关系挖掘能力，有效提高在带标签样本数量不足的情况下的情绪识别模型的泛化能力，提高了情绪识别的速度和精度。

技术领域

本发明属于脑机接口以及机器学习领域，具体涉及了一种基于元学习实例快速筛选的脑电情绪识别方法、系统。

背景技术

脑电情绪识别系统是一种新兴的情绪识别方法，也是脑-机接口研究的重要组成部分。相比于基于面部表情、语言、动作和文本等传统的情绪识别方法，脑电情绪识别更加客观、可靠。在脑电情绪识别中，多数使用富含情绪信息的图片、音频、视频等方法唤起被试者的情绪，同时用多个电极在头皮多个位置采集电信号，这些电信号蕴含大脑在不同情绪状态下的响应模式。在设定好的时间间隔上截取采集于多个位置的脑电信号，并提取各种时域、频域、时频特征，构成脑电情绪特征向量。脑电情绪识别的任务，就是通过机器学习手段，基于脑电情绪特征向量推断使用者的情绪[1]。

基于脑电的情绪识别系统依然存在一些实用性问题，例如，不同被试者的脑电数据差异大，导致难以获得能够跨被试使用的通用模型(general model)；鉴于脑电的非平稳特性，同一个被试者的脑电分布(distribution)会随时间变化，难以获得可以长期使用的模型(例如间隔一周，模型表现不佳)。因此，如果需要识别某个目标被试者(targetsubject)的情绪，现有方法是作预实验，采集足够数量的带标签样本，训练分类器，然后在短期内用于预测目标被试者的情绪状态。然而，在一些特定的实际应用中，我们需要快速为新被试者适配可用的模型，尽量压缩预实验所耗费的时间，提高效率。可是，当带标签样本数量较少的时候，模型很可能会出现泛化能力不足或过拟合(overfitting)的问题。

近年来，一些研究试图使用迁移学习方法解决上述问题[2]，[3]。迁移学习是机器学习的重要分支，目的是降低机器学习过程对带标签样本的依赖程度。当带标签样本很少，甚至没有带标签样本时，仍然可以从算法角度出发，提高模型的泛化能力。迁移学习中包括两个领域(domain)：知识的输出侧，即源领域(source domain)；知识的输入侧，即目标领域(target domain)。每个领域指的是相应的数据，以及数据的边缘概率分布(marginaldistribution)。在脑电情绪识别任务中，将每个被试者的每次实验所采集的数据，均视为一个领域，领域之间存在联系，也存在差异。迁移学习可分为三种：第一种是基于特征的迁移学习，该方法获得两个领域的隐含表示，在这种表示下，两个领域的差异被消减，两个领域共享的信息被编码在隐含表示中；第二种是基于参数的迁移学习，该方法假设两个领域上的模型存在共享的参数或超参数，迁移所用的信息编码在参数或先验里；第三种是基于实例的迁移，做法是在源领域中挑选一些能用于目标领域任务的样本，并按照一定的权重参与模型训练。基于特征的迁移学习的问题在于，此类方法假设目标领域中存在大量无标签样本，这在脑电情绪识别实际应用中是不能成立的：在传统实验范式中，目标领域的脑电样本情绪标签就是外界情绪刺激的标签，因此，脑电数据是和情绪标签是配对的。

总的来说，在样本数量不足的情况下，现有的技术很难实现脑电情绪识别系统的跨被试者、跨时间快速适配。

以下文献是与本发明相关的技术背景资料：

[1].Alarcao S M,Fonseca M J.Emotions recognition using EEG signals:asurvey[J].IEEE Transactions on Affective Computing,2017.