[发明专利]一种基于迁移学习的脑电情绪分类方法

说明书

基于迁移学习的脑电情绪分类方法，步骤包括：S100：使用62导联脑电数据采集设备采集脑电信号，作为训练样本；S200：对训练样本进行预处理；S300：构建基于深度域适应网络的脑电情绪迁移模型，该模型由一个特征提取器、一个类别预测器、一个域分类器组成；S400：将预处理好的训练样本输入到所述构建好的迁移模型中，混合经过预处理的源域有标签情绪脑电数据和目标域无标签情绪脑电数据共同对迁移模型进行迭代训练；S500：训练后选取准确率最高的一次，作为最终用于识别脑电情绪的迁移模型；S600：使用所述最终用于识别脑电情绪的迁移模型对脑电情绪进行分类。该方法能够让迁移模型能有效地解决脑电情绪跨被试迁移问题。

技术领域

本公开属于生物特征识别、人工智能技术领域，特别涉及一种基于迁移学习的脑电情绪分类方法。

背景技术

情感无论是在人们的日常生活还是科研学习当中都充当着至关重要的角色。脑机接口作为人与机器之间沟通、合作、共融的桥梁，如果能够识别人类的情感，会极大地增强人机合作的安全性和效率。因此，基于脑电信号的情绪识别技术得到了广泛地关注。

目前，研究者们利用卷积神经网络对脑电特征进行识别，得到了高于传统的SVM的准确率。但是，脑电的非平稳性导致这些为单个被试训练的模型难以为其他被试所用。情绪脑电数据，尤其是带标签的数据收集困难，很难用包含多被试脑电特征的数据直接训练出一个跨被试效果好的模型。这两个问题直接导致了情绪识别模型跨被试应用困难，为情感脑机接口的泛化带来负面影响。为解决模型跨被试应用困难的问题，部分研究者将目光转向域自适应方法。域适应是迁移学习的一个子领域，该研究的目标是在降低不同域之间差异的同时，保持不同类别的判别信息，早期的域适应方法倾向于减小源域和目标域在特定空间的距离。这种方法仅从边缘分布出发进行域适应，存在数据利用率低，效果较差的问题。

发明内容

为了解决上述问题，本公开提供了一种基于迁移学习的脑电情绪分类方法，其包括如下步骤：

S100：使用62导联脑电数据采集设备采集脑电信号，采集来自源域的有标签情绪脑电数据和来自目标域的无标签情绪脑电数据，作为训练样本；

S200：对所述训练样本进行预处理；

S300：构建基于深度域适应网络的脑电情绪迁移模型，该模型由一个特征提取器、一个类别预测器、一个域分类器组成；

S400：将预处理好的训练样本输入到所述构建好的迁移模型中，混合经过预处理的源域有标签情绪脑电数据和目标域无标签情绪脑电数据共同对迁移模型进行迭代训练；

S500：训练后选取准确率最高的一次，作为最终用于识别脑电情绪的迁移模型；

S600：使用所述最终用于识别脑电情绪的迁移模型对脑电情绪进行分类。

通过上述技术方案，本方法解决脑电情绪跨被试迁移困难的问题，降低脑电情绪识别和训练的难度和训练成本。本方法针对不同个体脑电数据差异性大，导致训练后的模型泛化性低，无法快速部署的问题，通过构建基于深度域适应网络的脑电情绪迁移模型，对脑电原始数据的5个频带分别计算微分熵，并按照电极位置转换为三维矩阵，使用基于注意力机制的DenseNet网络对脑电数据提取深层的特征，提高对特征的利用率，降低对数据量的需求，减少计算量。将提取到的深层特征输入深度域适应网络，通过梯度反转让网络混淆源域和目标域，使得两个域的分布更相似，提升迁移模型的性能和情绪识别的准确度。让迁移模型能有效地解决脑电情绪跨被试迁移问题，提升迁移模型在跨被试情绪识别中的应用效果，具有较好的应用前景。

附图说明

图1是本公开一个实施例中所提供的一种基于迁移学习的脑电情绪分类方法流程图；

图2是本公开一个实施例中所提供的脑电采集设备62通道电极分布示意图；

图3是本公开一个实施例中微分熵特征转换为2维矩阵示意图；