[發明專利]一種基于聚類的多任務情感腦電特征提取與識別方法

在審

• 申請號: 202210024308.4
• 申請日: 2022-01-07
• 公開（公告）號: CN114358086A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 靳峰哲;彭勇
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種基于聚類的多任務情感腦電特征提取與識別方法。本發明步驟如下：1、多個被試者分別在誘發情感狀態場景下進行腦電數據采集。2、對步驟1所得的腦電數據進行預處理。3、將處理后的腦電數據進行聚類得到子類標簽矩陣。4、建立基于聚類多任務特征提取算法求解得到特征權重分布。5、根據特征權重分布對腦電數據進行特征提取以訓練腦電情感識別模型。本發明通過聚類算法、多任務學習和特征提取的方式提高了腦電情感識別模型的預測精度。

技術領域

本發明屬于腦電信號處理技術領域，具體涉及一種基于聚類的多任務情感腦電特征提取與識別方法。

背景技術

隨著科學技術的發展，腦電情感識別及相關腦機制的研究已經逐漸成為神經科學的熱門研究領域。利用計算機技術進行腦電情感識別是實現高級人機交互的關鍵性技術，實時高效的腦電情感識別對于實現人機交互、人機接口以及智能計算機等有重要意義。在具體應用方面，通過腦電情感識別，可以判斷用戶的情感狀態，幫助計算機做出合適的響應，改善人機交互效果。腦電情感識別技術在人工智能領域得到了廣泛關注。

由于腦電信號的不穩定性，采集的腦電信號具有低信噪比的特點，導致腦電數據特征存在冗余，影響腦電情感識別模型的準確度。現有的科學理論表明，真實腦電數據分布存在重要的內在結構信息，即通過探索腦電數據中的固有子類信息可以為腦電情感識別模型提供更多的先驗知識，從而提高腦電情感識別模型的準確度。本發明提出一種基于聚類的多任務情感腦電特征提取與識別方法。我們在原始情感類別下探索多個情感子類，采用多任務學習對子類進行情感識別，每個子類的情感識別任務作為一個子任務，通過共享任務之間的信息來幫助提升各個子任務的性能，從而更有效地挖掘腦電情感識別任務中數據特征權重分布。通過特征權重分布，提取腦電情感數據中更具有辨別性的特征。采用特征提取后的腦電特征訓練腦電情感識別模型，可以有效提升腦電情感識別模型的準確度。

發明內容

本發明的目的在于提供一種基于聚類的多任務情感腦電特征提取與識別方法。通過該方法可以實現腦電情感數據特征提取以及腦電情感識別。

本發明的具體步驟如下：

步驟1、對多個被試者進行腦電數據采集實驗；對被試者進行外界刺激，使其產生情緒變化，同時采集被試者的腦電信號。

步驟2、對步驟1所得的所有腦電數據進行預處理。每一個被試者的腦電樣本處理后的數據作為一個樣本矩陣X；每個樣本矩陣X均對應一個標簽向量y；標簽向量y對應被試者的情感類別。

步驟3、將處理后的腦電數據進行聚類，探索腦電數據原始情感類別中的情感子類，得到情感子類標簽矩陣Y。

步驟4、建立基于聚類多任務特征提取模型以求解特征權重矩陣。

步驟4-1、建立基于聚類多任務特征提取算法模型目標函數如式(1)所示：

式中，是經過聚類后的子類情感標簽矩陣，其中n表示樣本個數，c表示子類情感類別個數；是腦電情感數據，其中n表示樣本個數，d表示數據維度；表示腦電情感數據特征權重矩陣，其中d表示數據維度，c表示子類情感類別個數；表示腦電情感數據的拉普拉斯矩陣，具體計算方法為L＝D-S，其中是一個描述子類關系的相似性矩陣，具體定義為x_i表示腦電情感數據X的第i個樣本，x_j表示腦電情感數據X的第j個樣本；是一個關于S的對角矩陣，具體定義為λ是用來控制權重矩陣W稀疏性的超參數；β是用來控制子類關系對目標函數影響的超參數；表示矩陣的F-范數的平方，具體計算方法為表示矩陣的2,1-范數的平方，具體計算方法為tr(·)表示矩陣的跡，具體計算方法為矩陣對角線元素之和。

步驟4-2、對(1)式求解，得到腦電情感識別任務中腦電情感數據的特征權重矩陣W。

步驟5、根據特征權重矩陣W對腦電情感數據進行特征提取，根據提取后的腦電情感數據特征進行分類模型訓練，得到腦電情感識別模型。