[发明专利]基于在线自适应特征参数优化的脑电信号情绪识别方法

说明书

本发明公开了一种基于在线自适应特征参数优化的脑电信号情绪识别方法，包括：1，对于原始脑电数据进行预处理，划分源域数据与目标域数据；2，建立源域多层感知机网络，提取源域数据特征后输入源域网络训练得到最优源域模型；3，建立含有在线特征参数提取模块的目标域MLP网络；4，对目标域数据提取特征后输入目标域模型进行在线自优化调整特征参数，获得优化后的目标域模型的同时完成对目标域数据的情绪识别任务。本发明能实现在保护受试者隐私的前提下，不接触源域数据且仅接触一次目标域数据就对已有的模型进行优化，从而能提高识别准确率，完成在线情绪识别。

技术领域

本发明涉及情感计算领域，具体的说是一种基于在线自适应特征参数优化的脑电情绪识别方法。

背景技术

情绪是人类意识和行为的综合表现，既能反映一个人的主观感受，又影响着生理反应。关于情绪识别的研究方法有很多，常用的有非生理信号和生理信号来判断人的情感。常用的非生理信号有表情、语言、肢体动作等，通过非生理信号判断人的情感存在缺乏统一判断标准、识别准确率低等缺点。生理信号相较于非生理信号采集难度高，但由于其识别准确率更高，因此想要进行系统的情绪识别需要用到生理信号。脑电信号(EEG，Electroencephalogram)作为生理信号的一种，与人们的认知行为和心理活动具有很强的相关性，并且具有良好的时间分辨率，更能够直接地反映情绪的变化，并且不易受到主观的控制，因此研究人员多采用基于EEG信号的情绪识别研究方法。EEG情绪识别算法主要分为两类：传统算法和基于深度学习的算法。

基于深度学习的情绪识别方法又根据针对单用户或多用户识别分为用户相关和用户无关两类方法。用户相关方法针对某一位特定受试者，使用同一受试者的脑电数据进行训练与测试，最终完成情绪识别；用户无关方法旨在使用某一位特定受试者的脑电数据进行训练后获得的源域模型，对不同受试者的目标域脑电数据也获得较高的识别准确率。近年来，基于用户相关的脑电情绪识别方法取得了巨大进展，但由于不同个体之间脑电数据的分布(distribution)差异是巨大的，使用一位受试者的源域脑电数据所训练出的模型在对不同受试者的目标域脑电数据进行测试时难免会造成识别准确率大幅度下降。此外，基于用户无关的脑电情绪识别方法需要使用不同用户的脑电信号数据，在多个用户、开发人员和组织之间传输数据，以此提升跨用户、跨数据集的效果。然而，通过直接共享受试者的EEG数据，攻击者可以在未经受试者同意或不知情的情况下推断出有关受试者的个人隐私信息。采集的EEG数据具有高度机密性，可以反映用户的性格特征、认知能力和身心健康等，从而导致受试者隐私信息泄露。

发明内容

本发明为克服现有技术的不足之处，提出一种基于在线自适应特征参数优化的脑电信号情绪识别方法，以期能实现在保护受试者隐私的前提下，不接触源域数据且仅接触一次目标域数据就能对已有识别模型进行调优，从而能提高识别准确率，完成在线情绪识别。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于在线自适应特征参数优化的脑电信号情绪识别方法的特点在于，是按如下步骤进行：

步骤1、对原始脑电信号进行预处理并进行数据划分；

步骤1.1、获取A个受试者的原始脑电信号数据并进行降采样后，再使用带通滤波器对降采样后的脑电信号数据进行滤波处理，然后使用滑动窗对滤波后的脑电信号数据进行分割，得到预处理后的脑电样本；