[發明專利]一種利用腦電信號輔助偏好獲取協同過濾推薦系統及方法

有效

• 申請號: 201810233430.6
• 申請日: 2018-03-19
• 公開（公告）號: CN108446635B
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 高嶺;何丹;曹瑞;王偉;楊康
• 申請（專利權）人: 西北大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06K9/62;G06F16/9536;G06F16/27
• 代理公司: 西安西達專利代理有限責任公司 61202
• 代理人: 劉華

1.一種利用腦電信號輔助偏好獲取的協同過濾推薦方法，其特征在于，推薦過程包括以下步驟：

(1)使用64導聯腦電采集儀器，采集用戶瀏覽網頁時的腦電信號，通過數據同步與控制模塊將腦電信號數據與用戶瀏覽記錄進行關聯；利用腦電情緒識別模型識別當前的腦電信號的情緒類別，并結果存儲在Hadoop上；

(2)構建用戶-項目喜好矩陣，將用戶在瀏覽時的情緒作為喜好評分；

(3)對物品提取其特征，所述的物品提取其特征為商品類型、產地，通過PCA分析方法對物品信息進行降維處理，分析出物品的主要屬性特征，并得到PCA空間映射矩陣T_nxd，其中n代表物品數量，d代表降維之后物品的屬性個數，T_id為0時代表物品i不存在該屬性，為1時代表物品i具有該屬性，通過杰卡德相似系數求得物品屬性相似度；

A表示物品1的屬性集合，B表示物品2的屬性集合；

(4)根據用戶-項目喜好矩陣，以皮爾遜相關相似度作為物品評分相似度計算公式；

其中，r_c，i表示用戶c對物品i的喜好程度，r_c，j表示用戶c對物品j的喜好程度，表示物品i的平均喜好程度，表示物品j的平均喜好程度；

(5)綜合考慮物品屬性的相似度和喜好程度相似度，獲得更加全面的相似性度量模型；

Msim(i，j)＝α·J(A，B)+(1-α)sim(i，j)

(6)其中，α為平衡因子，用于協調兩個相似性度量的結果，α∈[0，1]；

(7)根據用戶c之前的瀏覽記錄，以及瀏覽時的情緒值，對用戶c未瀏覽的物品進行預測打分；通過加權求和的方式對物品i進行預測打分；

其中，N(i，k)是與物品i最相近的k個物品的集合，r_c，j表示用戶c對物品j的評分，表示物品i的平均喜好程度，則P_c，i是對用戶c未瀏覽的商品i的預測喜好程度；

(8)得到用戶對目標項的預測情緒值后，按值的大小對其前k項對用戶c進行推薦，從而完成整個推薦過程；

所述的推薦過程是根據識別到的用戶情緒狀態判斷用戶對當前商品的喜歡程度，綜合考慮物品屬性的相似度和用戶喜好程度相似度，獲得更加全面的相似性度量模型；并據此向用戶推薦其可能感興趣的商品。

2.根據權利要求1所述的一種利用腦電信號輔助偏好獲取的協同過濾推薦方法，其特征在于，所述的情緒識別過程如下所述：

(1)腦電信號的采集：采用64導聯濕電極帽的腦電采集裝置采集用戶瀏覽時的腦電信號，因為采集到的腦電信號通常比較微弱，幅值范圍在10～100μV，所以要經過信號放大器放大處理后才能作為后續的數據處理階段的原始信號；如果收集所有通道的腦電信號數據，這將會導致數據計算量十分龐大，并且收集到包含大量冗余的、對情感分析關系不大的信息，本文從大腦的六個典型區域選出30個通道進行收集，包括：前額區(PF)：FP1、FP2；額區(F)：F7、F3、FZ、F4、F8；顳區(T)：FT7、FT8、T3、T4、TP7、TP8、T5、T6；中央區(C)：FC3、FCZ、FC4、C3、CZ、C4、CP3、CPZ、CP4；頂區(P)：P3、PZ、P4；枕區(0)：01、0Z、02；

(2)腦電信號的預處理：在腦電信號的采集過程中，容易受到眼電、肌電、心電偽跡以及基線漂移和工頻干擾噪聲的影響；所以放大之后的腦電信號需要經過帶通濾波器濾掉易產生干擾的頻段，保留主要頻段；通過獨立分量分析(ICA)去除信號的眼電偽跡；本專利通過EEGLAB工具箱實現帶通濾波和ICA去噪；

(3)腦電信號的特征提取與選擇：特征提取就是通過某些特殊的變換，將腦電信號中易于分析的特征提取出來；而特征選擇的主要目的是為了減少提取的腦電信號的維度，降低情緒識別的計算復雜度；

①腦電信號的特征提取：對預處理之后的腦電信號通過帶通濾波器分別過濾到δ頻帶(1-4HZ)、θ頻帶(4-8HZ)、α頻帶(8-13HZ)、β頻帶(13-30HZ)、γ頻帶(36-44HZ)五個頻帶中，再通過快速傅里葉變換提取個頻帶的功率作為特征；通過特征提取，得到150維(30channelsx5powers)的特征樣本；

②特征選擇：通過特征提取得到了150維腦電特征，但是提取出來的特征中也會存在這一部分與情感關聯較低的特征，所以本專利采用共同空間模式(CSP)對提取到的特征進行降維；

③情緒識別：將處理之后的腦電特征數據輸入到情緒識別模型中獲得當前用戶的情緒分值；愉悅度等級識別用戶情緒，其識別取值范圍是0～9，分數越高代表用戶愉悅度越高。