[发明专利]一种适用于情绪脑-机接口的在线迁移学习方法

说明书

本发明公开了一种适用于情绪脑‑机接口的在线迁移学习方法，包括以下步骤：A.分类器训练：数据池的历史数据中，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，分别进行测试得到对应的m个准确率；C.实例选择：将m个源数据堆砌成一个310维的大型矩阵，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；D.分类器更新：步骤C中得到基准分类器中准确率高的数据，合并为一个新的310维的矩阵，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。其优点在于：结合被试数据和历史数据，能够提升算法效果和速度，提高准确率。

技术领域

本发明涉及计算机情绪识别技术领域，具体地说是一种适用于情绪脑-机接口的在线迁移学习方法。

背景技术

情感识别在人类的感知、推理、决策、社交和行为选择中起到关键作用，在构建更加友好和人性化的人机交互系统的时候，人类的情感因素应该被考虑进去，其中包括能感知、识别和理解人类情感的智能机器。实现这一目标的第一步是情绪识别，这是一种结合了生理学、神经科学和计算机科学的跨学科技术。

传统的情绪识别方法使用了面部表情、语言、物理动作来推断人的情绪，这些信号虽然容易采集，但是由于不同文化不同背景的人有不同的表达习惯，这些采集出来的数据难以用来真正识别情感。在过去5年内，基于脑电图的情绪识别得到了大范围的关注，脑电信号是一种比传统方法更准确、更客观的生理信号。随着可穿戴、非植入式的电极设备的发明和发展，脑电图已经成为情绪识别中重要的一种方法。

基于脑电的情绪识别流程为：

1）用刺激来激发情绪。最近的研究都通过播放影片刺激。

2）脑电信号的记录和预处理。在刺激过程中，脑电信号会被采集并被打上对应的标签，通常被试者也会进行自检测试来确保被激发的情绪与影片刺激的目标情绪一致；预处理阶段通常包括了采样，滤波器和人工去除噪声。

3）特征提取。通常情况下，脑电信号中存在许多的噪声信息，这些噪声信息对于情绪识别存在极大的影响，为了得到一个更好的信噪比，特征提取是一个必须的步骤。

4）训练分类器。这一步应用了机器学习作为情绪分类器，通常使用的分类器为支持向量机和逻辑回归等。

在近几年，深度学习也展现出了高于传统机器学习方法的优越性，但是需要耗费大量时间和大量训练数据以保持模型的性能。在实际应用中，由于脑电很难一次性全部采集，更多的情况是先采集到单个被试的前部分脑电并打上标签，然后对于之后新采集到的脑电进行预测分析；另外实际情况中，除了刚被采集的被试的数据外，也存在一些历史采集的脑电数据，如果单纯仅使用被试的数据进行分析处理的话，是对历史数据的一种浪费。

发明内容

本发明之目的是弥补上述之不足，向社会公开结合被试数据和历史数据，能够提升算法效果和速度，提高准确率的一种适用于情绪脑-机接口的在线迁移学习方法。

本发明的技术方案是这样实现的：

一种适用于情绪脑-机接口的在线迁移学习方法，包括以下步骤：

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；