[發(fā)明專利]基于聚類的對(duì)抗部分域適應(yīng)跨被試EEG情緒識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111539147.4
• 申請(qǐng)日: 2021-12-15
• 公開(kāi)（公告）號(hào): CN114239652A
• 公開(kāi)（公告）日: 2022-03-25
• 發(fā)明（設(shè)計(jì)）人: 張樺;吳政軒;趙月;戴國(guó)駿;曾虹;方欣;劉洋;吳琪
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于聚類的對(duì)抗部分域適應(yīng)跨被試EEG情緒識(shí)別方法，其特征在于，步驟如下：

步驟1：數(shù)據(jù)預(yù)處理；

采用公開(kāi)的SEED數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集；腦電圖信號(hào)數(shù)據(jù)輸入模型前需要進(jìn)行預(yù)處理；每秒從SEED數(shù)據(jù)集的5個(gè)頻帶中提取微分熵(DE)特征：δ：1-3Hz，θ：4-7Hz，α：8-13Hz，β：14-30Hz，γ：31-50Hz；特征維度為310個(gè)(62個(gè)通道×5個(gè)頻帶)；

步驟2：數(shù)據(jù)定義

給定N個(gè)存在個(gè)體差異的EEG數(shù)據(jù)，將所有被試個(gè)體作為源域并且已知其認(rèn)知狀態(tài)標(biāo)簽，該源域表示為X_s，源域標(biāo)簽表示為Y_s，類別數(shù)C，而無(wú)標(biāo)簽的新被試個(gè)體作為目標(biāo)域X_t，類別數(shù)K未知；

步驟3：構(gòu)建并訓(xùn)練EEG情緒識(shí)別模型；

所述的EEG情緒識(shí)別模型包括共享特征提取器G、分類器F和判別器D。

2.根據(jù)權(quán)利要求1所述的基于聚類的對(duì)抗部分域適應(yīng)跨被試EEG情緒識(shí)別方法，其特征在于，步驟3具體方法如下：

輸入：帶有標(biāo)簽的源域數(shù)據(jù){X_s,Y_s}，該源域表示為X_s，源域標(biāo)簽表示為Y_s，類別數(shù)C，不帶標(biāo)簽的目標(biāo)域數(shù)據(jù)X_t，類別數(shù)K未知，和最大迭代次數(shù)T；

3-1.利用共享特征提取器G提取源域和目標(biāo)域樣本數(shù)據(jù)潛在的公共特征，將提取的公共特征映射到一個(gè)公共的特征空間；

3-2.以源域樣本數(shù)據(jù)X_s特有的類別標(biāo)簽為約束優(yōu)化分類器F，目標(biāo)函數(shù)為有監(jiān)督的分類損失L_ce；

3-3.利用域?qū)狗椒ǎ固卣魈崛∑鱃能學(xué)習(xí)到來(lái)自源域和目標(biāo)域兩個(gè)領(lǐng)域的不變特征，以混淆判別器D，使其認(rèn)為特征來(lái)自相同域，使得兩個(gè)域在特征空間的邊緣分布對(duì)齊，對(duì)抗目標(biāo)函數(shù)為L(zhǎng)_d；

3-4.源域數(shù)據(jù)X_s和目標(biāo)域數(shù)據(jù)X_t通過(guò)特征提取器G能提取到領(lǐng)域不變的特征向量V^s和V^t，將真實(shí)標(biāo)簽為c的特定類源域數(shù)據(jù)表示為從中提取到的特征向量為最后通過(guò)特定類特征向量計(jì)算源域中類別為c的樣本的類簇中心而源域樣本的類簇標(biāo)簽是基于真實(shí)標(biāo)簽分配的，最后得到所有類別的源域類簇中心和類簇標(biāo)簽{1,…,C}；

3-5.采用Kmeans聚類方法對(duì)目標(biāo)域樣本特征V^t進(jìn)行聚類，得到對(duì)應(yīng)的目標(biāo)域樣本類簇中心和類簇標(biāo)簽{1,…,K}；

3-6.由于通過(guò)Kmeans聚類得到的類簇標(biāo)簽與源域的真實(shí)標(biāo)簽不成立對(duì)應(yīng)關(guān)系，使用一致性匹配來(lái)關(guān)聯(lián)語(yǔ)義一致的共有類別的源域類簇中心與目標(biāo)域類簇中心給定一對(duì)源域和目標(biāo)域的類簇特征為和其中來(lái)自一個(gè)域的類簇在另一個(gè)域中搜索距離該類簇最近的類簇中心μ，然后確定是否兩者同時(shí)為彼此最近的類簇中心，如果兩者同時(shí)為彼此最近的類簇中心則這樣的一對(duì)匹配類簇就被認(rèn)為是公共類簇，該對(duì)類簇的類簇標(biāo)簽為{c,k}，然后將對(duì)應(yīng)的第k個(gè)類簇目標(biāo)域樣本的偽標(biāo)簽分配為匹配的源域標(biāo)簽c；

3-7.使用余弦相似度來(lái)計(jì)算來(lái)自某一個(gè)域的樣本到另一個(gè)域的所有類簇中心的距離；對(duì)于一對(duì)類簇中源域的第i個(gè)樣本，計(jì)算其與所有目標(biāo)域類簇中心的余弦相似度同理計(jì)算目標(biāo)域第i個(gè)樣本與所有源域類簇中心的余弦相似度

3-8.利用3-7得到的結(jié)果計(jì)算源域聚類共識(shí)得分以及目標(biāo)域聚類共識(shí)得分

3-9.然后對(duì)由3-8得到的源域聚類共識(shí)得分與目標(biāo)域聚類共識(shí)得分取平均值，得到這對(duì)類簇的跨域聚類共識(shí)得分S_(c,k)，最后計(jì)算所有類簇對(duì)的共識(shí)得分的平均值S_total；

3-10.為了確定目標(biāo)域聚類的類簇?cái)?shù)量K，對(duì)Kmeans算法設(shè)置不同的K，重復(fù)步驟3-4至3-9進(jìn)行多次聚類，根據(jù)跨域聚類共識(shí)得分S_total確定最優(yōu)類簇?cái)?shù)量，最后以最優(yōu)類簇?cái)?shù)進(jìn)行聚類，得到最優(yōu)的目標(biāo)域類簇中心；

3.11.為了提高目標(biāo)聚類的可判別性，重新構(gòu)建帶偽標(biāo)簽的目標(biāo)域數(shù)據(jù)集并利用帶偽標(biāo)簽?zāi)繕?biāo)數(shù)據(jù)為神經(jīng)網(wǎng)絡(luò)施加了一個(gè)原型正則化項(xiàng)促進(jìn)聚類的優(yōu)化，使得特征在類別層面對(duì)齊；

3-12.總的目標(biāo)優(yōu)化函數(shù)為：

其中，λ₁，λ₂為模型的超參數(shù)；

3-13.在對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化之前先進(jìn)行一次初始化聚類得到帶偽標(biāo)簽的目標(biāo)域數(shù)據(jù)集為了避免不準(zhǔn)確標(biāo)簽的積累，在優(yōu)化模型的同時(shí)交替更新聚類；每對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行五次優(yōu)化，就重新執(zhí)行一次聚類，重構(gòu)偽標(biāo)簽數(shù)據(jù)，直至迭代T次；

輸出：目標(biāo)域樣本對(duì)應(yīng)于類簇原型中心距離最近的類簇標(biāo)簽。