[发明专利]跨用户场景下对抗域适应的脑电情绪识别方法

权利要求书

1.跨用户场景下对抗域适应的脑电情绪识别方法，其特征在于，包括：

信号采集步骤，采集用户在不同情绪状态下激发的脑电数据，并对不同的情绪状态下的脑电数据赋予不同的情绪标签，对脑电数据进行切割形成样本，并将样本划分为训练集和测试集；

信号预处理步骤，对采集的脑电数据进行信号预处理，并提取初始脑电信号特征；

网络构建及训练步骤：以训练集作为源域数据、测试集作为目标域数据，对情绪识别网络模型进行训练处理；

所述情绪识别网络模型包括特征提取器、基于注意力机制的使用对抗域适应处理模块和情绪标签预测器；

所述特征提取器用于提取脑电初始信号特征的多层第一脑电信号特征，并将提取到的多层第一脑电信号特征输入到基于注意力机制的使用对抗域适应处理模块，所述特征提取器包括依次连接的一层图卷积网络和多个堆叠的卷积神经网络；

所述基于注意力机制的使用对抗域适应处理模块，将每一层特征信息按照指定的划分规则分别划分为两个子区域，分别对应源域与目标域，并通过注意力机制配置每个子区域的迁移权重；即子区域的迁移能力越强，则迁移权重越大；基于注意力机制的使用对抗域适应处理模块还包括：为每一个子区域配置一个判别器，用于输出当前子区域的各样本属于源域和目标域的预测概率基于所述预测概率计算信息熵并基于信息熵确定第k个子区域的第i个样本的迁移权重其中，k表示子区域标识符，i表示样本标识符；

再基于每个子区域的迁移权重对子区域内的第一脑电信号特征进行变换处理，得到第二脑电信号特征并输入情绪标签预测器；

所述情绪标签预测器包括至少两层全连接层，用于预测样本属于各情绪类别的类别预测概率，即对第二脑电信号特征进行情绪类别的分类预测；

基于采集的样本对情绪识别网络模型进行深度学习训练，直到满足预设训练需求，得到训练好的情绪识别网络模型；

情绪识别处理，对实时采集得到的脑电数据进行信号预处理，并提取初始脑电信号特征，再将待识别的初始脑电信号特征输入到训练好的情绪识别网络模型，基于情绪标签预测器的输出确定识别结果：最大类别预测概率所对应的情绪类别；

其中，对情绪识别网络模型进行训练处理，所述基于注意力机制的使用对抗域适应处理模块在计算迁移权重时，计算域分类损失；所述情绪标签预测器在预测类别预测概率时，计算情绪分类损失，并结合域分类损失与情绪分类损失对情绪识别网络模型的网络参数进行更新；

情绪识别网络模型在训练时的总损失L为：

其中，L_y()表示情绪分类损失，表示第k个子区域的域分类损失，表示第k个子区域的判别器的输出，D_s表示源域数据，D_t表示目标域数据，x_i表示第i个样本的初始脑电信号特征，D＝D_s∪D_t，G_y(m_i)和y_i分别表示预测标签和真实标签的向量，G_f()表示特征提取器的输出，d_i表示第i个样本的域标签，m_i表示第i个样本的所有子区域的第二脑电信号特征，参数n＝n_s+n_t，n_s和n_t分别表示源域和目标域的样本数量，K表示判别器数量，λ为预置的平衡参数。

2.如权利要求1所述的方法，其特征在于，第一脑电信号特征的变换处理为：其中，表示第k个子区域的第i个样本的第一脑电信号特征，表示第k个子区域的第i个样本的迁移权重，表示第k个子区域的第i个样本的第二脑电信号特征。

3.如权利要求1所述的方法，其特征在于，信号预处理包括降采样、带通滤波、时间窗口切割和提取差分熵特征。

4.如权利要求1所述的方法，其特征在于，情绪标签预测器涉及的情绪类别包括三类：积极、中性和消极。