[发明专利]在线场景下心电信号的跨用户情感识别方法

说明书

本发明公开了一种在线场景下心电信号的跨用户情感识别方法，属于情感识别技术领域。本发明通过学习源域数据和目标域数据的数据分布的共享子空间，减小个体差异造成的用户间差异，建立跨用户的情感识别分类器；然后通过基于在线数据自适应处理方法，将输入心电信号数据和初始目标数据对齐，减小用户自身的差异，以适应时变的心电信号；最后，使用训练好的情感识别分类器对对齐后的输入心电信号数据进行分类，得到当前输入心电信号的情感状态。本发明用于跨用户情感识别，其识别精度高、速度快、健壮性强，减小了用户间和用户自身心电信号数据的差异，适用于与训练数据不同对象的在线情感识别，从而保证了跨用户在线情感识别方法的可实施性。

技术领域

本发明属于情感识别技术领域，具体其涉及一种在线场景下心电信号的跨用户情感识别方法。

背景技术

情感识别是人机交互领域当前快速发展的方向之一。在许多需要实时性的实际应用中，以在线方式进行情感识别十分重要，例如实时掌握病人的情感状态，对于精神科医生监测患者的心理健康状况很有帮助。对于使用心电信号的情感识别来说，不同用户之间存在的个体差异导致难以得到一个跨用户的通用情感识别模型。例如，性格和性别等个体差异，可能会导致源用户和目标用户之间的数据分布差异，即用户间差异，而这将使得情感识别模型被应用于新用户时，可能会存在性能下降的问题。为了避免这样的个体差异性，传统方法一般使用被标记的数据训练一个针对新用户的新模型，但标记数据非常耗时，并且收集成本较高。

近年来，一些研究者提出了使用无监督域适应来解决用户间存在的个体差异，这种方法以一种无监督的方式将知识从源目标迁移到新目标，得到了一个针对新目标的通用模型。例如，针对基于脑电信号的跨用户情感识别，现有方式中，利用迁移成分分析方法得到了一个有效减少目标间差异的共享子空间。在这种方法中，只需要获得目标用户的无标签数据即可。然而，现有方法主要关注提前收集目标用户数据的离线场景，当这些方法被应用到在线情感识别场景时，它们忽略了目标用户自身的数据差异。

实际上，往往是以在线的方式得到心电信号。此外，由于生理信号的非平稳性，于在线场景中，心电信号会随时间变化，导致同一目标用户在输入数据和过往数据的数据特征分布中存在差异。因此，在基于在线心电信号的跨用户情感识别方法中，除了用户间的差异，还需要关注目标用户自身的差异，而时变性导致的用户自身心电信号差异可能会使得情感识别模型于在线场景中的性能下降。

只有少量情感识别方法同时考虑到了在线场景中的用户间和用户自身的差异。如王启松等人提出的一种基于无监督域适应的脑电信号的跨用户在线情感识别方法，减小了个体差异导致的用户间差异，并且通过定期重新训练新模型来减小用户自身差异。然而重新训练新模型可能会耗费大量时间和资源，而这将可能会限制情感识别模型在现实世界中的应用。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供了一种在线场景下心电信号的跨用户情感识别方法。

本发明的在线场景下心电信号的跨用户情感识别方法，包括下列步骤：

步骤S1：将已有用户的带标签数据作为源域数据，新用户的不带标签的数据作为目标域数据，新用户的在线到达的不带标签数据作为在线数据；

步骤S2：分别提取源域数据和目标域数据的指定心电信号特征，得到源域X^s和初始目标域其中提取的心电信号特征为具有情感区分性的特征；

在一种可能的方式中，提取的特征为当前被证实与情感相关的心电信号特征，包括基于心率变异性、心率以及RR(心电信号中R峰与R峰之间的间期，即心跳间期)的时域特征、不同频率范围心电信号的频域特征和非线性特征。

步骤S3：基于步骤S2所提取的心电信号特征，训练针对目标用户的情感识别分类器；