[发明专利]一种基于自适应图学习的半监督脑电情感识别方法

权利要求书

1.一种基于自适应图学习的半监督脑电情感识别方法，其特征在于，包括以下步骤：

步骤1、对多个被试者进行脑电数据采集实验；对被试者进行外界刺激，使其产生情绪变化，同时采集被试者的脑电信号；

步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取；每一个被试者的脑电样本处理后的数据作为一个样本矩阵X；对部分脑电数据进行标注，得到已标注标签矩阵F_l和未标注标签矩阵F_u；

步骤3、建立基于自适应图学习的半监督脑电情感识别模型目标函数如式(1)所示：

式中，是脑电情感数据，其中l表示已标注脑电情感数据样本个数，u表示未标注脑电情感数据样本个数，其中l+u＝n，n表示脑电情感数据总样本个数，以下l+u均用n表示，d表示脑电情感数据维度；表示脑电情感数据的第i个样本，表示脑电情感数据的第j个样本；表示脑电情感数据投影矩阵，其中d表示原始脑电情感数据维度，m表示低维映射空间的维度；表示脑电情感识别模型自适应图的邻接矩阵，其中s_ij表示邻接矩阵的第i行，第j列的值；表示脑电情感数据标签矩阵，其中c表示脑电情感类别个数；表示脑电情感数据的拉普拉斯矩阵，具体计算方法为L＝D-S，其中是一个关于S的对角矩阵，具体定义为α是用来控制自适应图S离散度的超参数；β是用来控制投影矩阵W稀疏性的超参数；γ是用来控制自适应图调整幅度的超参数；表示向量的2-范数的平方，其具体计算方法为表示矩阵的2，1-范数的平方，具体计算方法为tr(·)表示矩阵的迹，具体计算方法为矩阵对角线元素之和；

步骤4、求解并训练基于自适应图学习的半监督脑电情感识别模型；

步骤5、根据脑电情感识别模型的投影矩阵W挖掘脑电情感数据中的关键频段和关键导联信息。

2.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征在于，所述的步骤1中，通过让被试者观看不同情感类型的电影片段对被试者进行情感状态诱发，让被试者产生高兴、悲伤、恐惧和中性的情绪变化。

3.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征在于，所述的步骤2中所述的已标注标签矩阵F_l通过被试者在脑电数据采集过程中所观看的电影片段情感类型定义的，具体定义为其中f_ij表示标签矩阵F_l中第i行，第j列的元素。

4.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征在于，所述的步骤2中的预处理过程包括以下子步骤：

步骤2-1、将脑电数据采样至200Hz后并对其进行带通滤波至1-50Hz范围；根据5频段法，将其划分为δ、θ、α、β和γ五个频段；

步骤2-2、针对这五个频段的脑电数据分别进行时间窗口为4秒且不重叠的短时傅立叶变换，提取微分熵特征h(X)如式(2)所示，

h(X)＝-∫_xf(x)ln(f(x))dx， (2)

式(2)中，X为输入的样本矩阵，x为输入的样本矩阵中的元素；f(x)为概率密度函数；经过更新后的微分熵特征h(X)如式(3)所示：

式(3)中，σ为概率密度函数的标准差；μ为概率密度函数的期望。

5.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征在于：所述的脑电数据采集采用62导联，选用5个频段；5个频段分别为1-4Hz、4-8Hz、8-14Hz、14-31Hz、31-50Hz。

6.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征在于，所述的步骤4中训练脑电情感识别模型前需要对邻接矩阵S和标签矩阵F进行初始化；邻接矩阵S的初始化公式如下：

标签矩阵F初始化为其中

进行脑电情感识别模型训练时根据邻接矩阵S、投影矩阵W和标签矩阵F的更新公式，对邻接矩阵S、投影矩阵W和标签矩阵F进行迭代更新，共计迭代50次。