[发明专利]情绪脑电迁移模型训练方法、系统及情绪识别方法和设备

说明书

本发明属于脑电识别技术领域，特别涉及一种情绪脑电迁移模型训练方法、系统及脑电情绪识别方法和设备，解决脑电情绪迁移问题，降低脑电情绪识别训练难度和成本，通过构建基于深度域对抗网络的情绪脑电识别迁移模型，将脑电特征映射为脑电特征拓扑图，使用深度卷积神经网络对特征图像提取深层的特征，将提取的深层特征输入域适应网络，利用两级的域适应网络，第一级采用最大均值差异来对源域和目标域进行初步的混淆，第二级域适应网络增大类间距离，提升迁移模型性能及情绪识别准确度。本发明能够有效地解决脑电情绪迁移问题，提升迁移模型在情绪识别中的应用效果。具有较好的应用前景。

技术领域

本发明属于脑电识别技术领域，特别涉及一种基于两层域适应网络的情绪脑电迁移模型训练方法、系统及脑电情绪识别方法和设备。

背景技术

情绪识别在人机交互系统中起着重要的角色。此外，准确地识别患者的情绪有助于提高医疗质量。目前流行的情绪检测可分为两类。一类是基于非生理信号。如面部表情等。另一类是基于心理信号。如脑电信号等。面部表情容易出现虚假表情，而脑电信号直接从大脑皮层中无损提取，能直接反应人类大脑的生理状态。因此，基于脑电信号的情绪识别技术得到了广泛的研究兴趣。

目前，研究者采用了各种传统的机器学习方法来识别脑电情绪，其中包括支持向量机 (SVM)、线性判别分析(LDA)、K近邻判别等。尽管这些方法在脑电情绪分类上取得了较好的效果，但是还存在局限性。由于脑电信号的个体差异性和非平稳性，建立一个通用分类器是非常困难的，需要大量带标签的样本，然而，获取大量带标签的样本是非常耗费人工、时间，这在人机交互中是不允许的。因此，解决该问题对促进人机交互是至关重要的。当前已有研究者提出浅层的无监督域适应方法来解决脑电情绪迁移问题。其主要的思想是是通过最小化来自不同域的特征之间的分布差异的距离来学习共享特征。测量两个分布之间的距离的算法通常有KL散度、Wasserstein距离、香农熵距离和最大平均差异。其性能主要还是取决于特征的质量以及分类器分类性能。但通用的分类器是非常困难的。如果提取的特征不准确，所得到的模型可能会导致分类性能降低，即产生负迁移。有研究发现，深度神经网络可以学习到更多的可转移特征用于域适应。目前，大多数基于深度域适应方法都是通过将分布适应策略放在深度网络的特定任务层，能较好的减少领域差异。然而，这些深层域适应方法通常只使用简单的分布适应，无法让迁移学习过程中源域和目标域很好的混淆。

发明内容

为此，本发明提供一种基于两层域适应网络的情绪脑电迁移模型训练方法、系统及脑电情绪识别方法和设备，解决脑电情绪迁移问题，降低脑电情绪识别训练难度和成本，提高迁移模型性能和情绪识别准确性。

按照本发明所提供的设计方案，一种基于两层域适应网络的情绪脑电迁移模型训练方法，包含如下内容：

获取来自源域的有标签情绪脑电数据及来自目标域的无标签情绪脑电数据，构成训练样本；

对训练样本进行预处理，提取脑电信号频带范围内的微分熵特征，将微分熵特征映射至各通道，生成情绪脑电拓扑图数据；

构建迁移模型，该迁移模型包含卷积神经网络和与卷积神经网络连接的两级域适应网络，通过两级域适应网络分别对情绪脑电迁移学习中源域和目标域数据进行数据对齐，其中，卷积神经网络包括时间迁移卷积神经网络单元和跨被试迁移卷积神经网络单元；两级域适应网络包含用于类分布对齐及源域和目标域特征进行初步混淆的差异处理模块和用于消除类别边缘混淆的域适应网络模块；

利用情绪脑电拓扑图数据对迁移模型进行训练，获得训练收敛后的迁移模型。

作为本发明基于两层域适应网络的情绪脑电迁移模型训练方法，进一步的，训练样本预处理中，首先对脑电数据进行分段来提取情绪脑电信号，利用周围通道信号对数据差通道进行平均代替；然后再依次进行去除眼电伪迹、滤波、重参考和基线校正处理。