[发明专利]一种基于Wasserstein距离的表征相似对抗网络

说明书

本发明公开了一种基于Wasserstein距离的表征相似对抗网络模型，先通过减小Wasserstein距离的方法最大程度的减小源域受试者和目的域受试者的边缘概率分布，再通过关联强化的方法减小条件概率分布，即加强类别的内在联系，包括步骤：采样、过滤噪音、映射、设置域混淆器的Wasserstein距离、设置域混淆器的梯度惩罚、采用关联强化的分类器、求源域到目的域特征表征的相似度、求目的域到源域特征表征的相似度、得到特征在源域目的域的往返概率、计算源域标签概率、采用交叉熵损失计算L_zw和P_sts的损失、设定访问概率、设置目的域标签概率、采用交叉熵损失计算L_op和P_v的损失、设置分类器损失、设置源域预测分类损失、设置迭代次数N,当训练次数达到设定的迭代次数后停止。

技术领域

本发明涉及脑电情绪分类和深度迁移学习的技术领域，尤其涉及一种基于Wasserstein距离的表征相似对抗网络模型。

背景技术

与传统迁移学习相比，深度迁移学习因为可以直接对原始数据进行处理，能更好的提取特征，进而提高结果的准确率，目前已经成功的应用在脑机接口领域，因为不同被试者的个体差异很大，同一个体在不同时间段的差异也不同，所以需要通过拉近不同被试者数据的边缘概率分布和条件概率分布来拉近两个领域之间的差异。

传统的域适应方法通常先提取源域与目标域的特征，然后对两域特征进行域适应，最终采用传统分类器进行分类，上述传统算法运算效率较高，但是准确率比较有限，而且在整个过程中需要人为干预，以往的基于度量的深度域适应方法在准确率上通常优于传统算法，但是在性能上仍存在许多缺点，比如采用 MMD距离的域适应方法，准确率波动较大，采用二阶统计特征对齐的方法针对差异较大的两域作用有限等。

例如，一种在国外论文文献上公开的“[Jinpeng Li,Shuang Qiu,Changde Du,Yixin Wang,and Huiguang He.Domain Adaptation for EEG Emotion RecognitionBased on Latent Representation Similarity[J].IEEE Transactions on Cognitiveand Developmental Systems,2019.]”，提出了一种基于潜在表征相似性的脑电情感模型，这个模型采用减小交叉熵(衡量数据真实分布和模型预测分布相似性的一种方法)损失的方法来减小不同被试者的边缘概率分布的差异，采用关联强化的方法减小条件概率分布的差异。然而当数据点的分布与另一个分布没有重叠区域或者重叠区域可以忽略时，会出现梯度消失的情况，所以交叉熵反应不了两个分布的真实距离，采用Wasserstein 距离作为距离度量，可以在任何地方提供稳定的梯度，即反应两个分布的真实距离。

发明内容

为此，本发明实施例提供一种基于Wasserstein距离的表征相似对抗网络模型，能够反应两个分布的真实距离，为脑电情绪识别的深度迁移方法提供了一种准确率更高的方法。

为了实现上述目的，本发明的实施方式提供如下技术方案：

一种基于Wasserstein距离的表征相似对抗网络，其特征在于，包括如下步骤：

S1、脑电信号首先以200hz的采样率下采样，在0.5hz-70hz之间用带通滤波器对脑电信号进行处理来滤除噪声和伪影，随机选择一名被试者的脑电信号作为目的域，其他被试者脑电信号作为源域；

S2、通过特征提取器将数据映射到一个特征空间并设置域混淆器的 Wasserstein距离；

S3、设置域混淆器的梯度惩罚并更新w参数；

S4、采用关联强化的分类器并求源域到目的域特征表征的相似度以及目的域到源域特征表征的相似度；

S5、计算源域目的域的往返概率和计算源域标签概率并用交叉熵损失计算损失；