[发明专利]一种适用于情绪脑-机接口的在线迁移学习方法

权利要求书

1.一种适用于情绪脑-机接口的在线迁移学习方法，其特征是：包括以下步骤：

步骤一、用刺激来激发情绪，并采集情绪脑电信号；

步骤二、脑电信号的记录和预处理，对采集的脑电信号打上对应的标签；

步骤三、特征提取；

步骤四、训练分类器：

A.分类器训练：在数据池的历史数据中，对于目标被试的带标签数据，用带有一个线性核的支持向量机进行训练，得到基准分类器并保存；

B.分类器权重化：拿出数据池中的m个分类器，分别在目标被试的带标签数据上进行测试，得到对应的m个准确率，并保存准确率；

C.实例选择：将m个源数据堆砌成一个310维的大型矩阵，然后将基准分类器用于对这些数据的测试，得到对应的预测标签后跟真实标签进行对比，然后根据带标签的数据的数量作为依据，成倍地选择增量样本；

D.分类器更新：得到从步骤C中根据基准分类器选择出的数据后，将它们与目标被试带标签的数据合并为一个新的310维的矩阵后，作为训练数据再去更新基准分类器；

E.分类器集成：将数据池中的m个分类器和基准分类器进行分类器集成，用集成后的分类器去测试被试不带标签的数据；

步骤五、采用步骤四中训练后的分类器来分析待测脑电信号，输出情绪结果。

2.根据权利要求1所述的一种适用于情绪脑-机接口的在线迁移学习方法，其特征是：所述的步骤C中，采用点积作为衡量预测和真实标签的相关度的准则，点积越大，预测结果和真实结果相关度越高。

3.根据权利要求1所述的一种适用于情绪脑-机接口的在线迁移学习方法，其特征是：所述的步骤E中，数据池中的m个分类器和基准分类器进行分类器集成，采用带权重的套装集成方式。

4.根据权利要求3所述的一种适用于情绪脑-机接口的在线迁移学习方法，其特征是：所述的分类器集成中，基准分类器的权重设置为，其他的分类器的权重为1。

5.根据权利要求4所述的一种适用于情绪脑-机接口的在线迁移学习方法，其特征是：所述的分类器集成中，准确率低于0.6的分类器，不参与集成。