[发明专利]基于深度子域关联适应网络的脑电情感迁移方法

权利要求书

1.基于深度子域关联适应网络的脑电情感迁移方法，其特征在于，该方法具体包括以下步骤：

步骤(1)：多通道脑电信号采集与预处理；

步骤(2)：DE特征矩阵的构建；

步骤(3)：9-Layer ResNet网络的构建；

构建9层ResNet作为深度迁移网络模型，提取源域和目标域特征，为目标域样本赋值伪标签；所述的9-Layer ResNet网络的结构如表1所示：

步骤(4)：计算特征样本之间的距离度量；

使用多核高斯函数对经过9-Layer ResNet网络学习后的特征样本进行高维映射，将映射值作为不同域特征样本之间的距离度量；

步骤(5)：子域关联循环的计算与域适应结果；

根据特征样本的标签和距离度量计算源域和目标域中同类子域样本之间的子域关联循环损失，最后通过9-Layer ResNet的反向传播过程最小化源域分类损失与子域关联循环损失的和，达到域适应的效果；

子域关联循环损失的计算：带标签的源域数据和无标签的目标域数据以相同数量分批次经过特征提取和神经网络编码，对于生成的目标域特征向量，带有softmax层的神经网络对其输出是一个概率分布，表征了该样本属于每个类的可能性，因此可根据输出的概率大小，取出对应最大概率的第C类作为该目标域样本的伪标签；对目标域特征样本进行为伪标签处理后，使用基于子域关联循环的域适应方法完成源域到目标域的迁移：

定义A_i和B_j分别为源域和目标域样本未经过softmax层的特征向量，A_i和B_j之间的相似度量M_i,j定义为基于多核高斯函数映射的距离度量：

K表示高斯核矩阵，记矩阵M为S→T的关联矩阵，矩阵中的元素可形象地理解为模型从源域样本出发，到达目标域样本需要行走的距离，对矩阵中的每一行元素进行归一化：

其中()'表示遍历，同理，取M的转置，得到模型从目标域样本返回到源域样本对应的距离，并得到B_j到A_i归一化后的值

模型从源域出发后，能达到与出发点样本相同标签的目标域样本，同时能再从该目标域样本返回到源域中同类标签的样本，记为一次好的联想循环；若所到达目标域样本的标签与出发点源域样本标签不同，记为一次失败的联想循环；结合源域的真实标签和目标域的伪标签定义子域关联循环：

遍历所有的关联循环后，计算其交叉熵损失:

L_SAL＝softmax_cols(P^aba) (4)

域适应结果：通过9-Layer ResNet的反向传播算法最小化源域分类损失与子域关联循环损失的和，达到域适应的效果:

其中L_class(·)代表训练源域的分类损失，L_SAL(·)代表子域关联循环损失，λ＞0代表权衡子域关联循环损失程度的正则化参数。

2.根据权利要求1所述的基于深度子域关联适应网络的脑电情感迁移方法，其特征在于：所述的多通道脑电信号采集与预处理，具体为：采集受试者的多通道脑电情感信号；接着利用带通滤波器针对每个通道的脑电信号分别进行8～13Hz、14～30Hz、31～50Hz的带通滤波，用于特征矩阵的构建。

3.根据权利要求1所述的基于深度子域关联适应网络的脑电情感迁移方法，其特征在于：所述的DE特征矩阵的构建，具体为：

分别计算各EEG样本αα、β、γ三个频带中各通道对应的微分熵特征，并根据脑电帽电极空间排布将各频带DE特征转换为二维特征矩阵，其中α的频段为8～13Hz、β的频段为14～30Hz、γ的频段为31～50Hz。