[发明专利]一种基于共有与特有脑电特征挖掘的情感识别方法

说明书

本发明公开了一种基于共有与特有脑电特征挖掘的情感识别方法，包括如下步骤：步骤1：脑电情感数据的采集,步骤2：对脑电情感数据进行预处理,步骤3：建立基于共有与特有脑电特征情感识别模型的目标函数,步骤4：根据目标函数得出需要迭代优化的表达式；步骤5：将步骤2中预处理好的脑电数据输入目标函数中，根据步骤4得出的更新表达式，不断迭代优化，得到被试者的情感状态标签。另外，本发明能针对性地利用某一类情感状态对应的特有特征以及所有情感状态的共有特征，让模型除了有更好地识别情感状态的性能之外，还可以发现情感状态和特定特征之间的联系，从而能更有效率地捕捉到情感状态。

技术领域

本发明属于脑电信号处理技术领域，具体涉及一种基于共有与特有脑电特征挖掘的情感识别方法。

背景技术

人的情感可以表现为两个方面来被外界观察到，一种是通过外在的，如表情，说话的语气，眼神，肢体动作等，另一种是通过仪器分析内在的生理信号，如脑电信号，从而被观察到，这两种也是目前研究情感识别的两大类数据来源。然而，外在表现是可以通过人的“二次处理”再表现出来的，具有伪装性和迷惑性，很可能不是真正想要表达出的情感，这会误导一些情感识别的模型，分析出错误的结果，而生理信号并不能被人的意识操控，不会对外界说谎，相对而言，可信度更高，所以，选择生理信号进行情感识别的研究在一定程度上可以规避一些让识别结果产生误差的因素。

然而，脑电信号是非常灵敏的，而且同样的情感状态的脑电信号可能在不同的被测者之间或者说在同一被测者的不同时间段产生差异。另一方面，在传统的半监督最小二乘线性回归模型中，一部分是有标签的样本数据，一部分是无标签的样本数据，通过训练模型，去预测那些无标签样本数据的标签。在常见的基于最小二乘的线性回归模型中，都是对同一个时间段内的脑电数据通过一个权重矩阵去衡量样本每一维度的重要性，并在训练过程中不断地去修正样本每一维度的重要性，在这个权重矩阵的基础上去得到未标记样本的预测标签。本发明将针对跨时段这一难度更高的识别任务去提高模型的性能。

发明内容

本发明的目的在于提供一种基于共有与特有脑电特征挖掘的情感识别方法。

该基于共有与特有脑电特征挖掘的情感识别方法，其特征在于，包括如下步骤：

步骤1、对受试者处于进行脑电数据的采集，获得不同情感类型的脑电情感数据。

步骤2、对脑电情感数据进行预处理，得到带标签的数据集。

步骤3、建立目标函数。

对最小二乘线性回归模型中的权重矩阵的行和列分别增加权重矩阵的2-1范数和1范数，得到扩充的最小二乘的半监督线性回归模型；同时，根据样本本身蕴含的特征信息，通过K-近邻算法得到邻接矩阵；进而获取目标函数。

步骤4、利用带标签的数据集联合迭代优化目标函数，并依次对模型中的权重矩阵W，以及预测标签Ft进行更新表达式求解。

步骤5、将经过预处理的被测对象的脑电数据输入至迭代优化好的目标函数中，获取被测对象的情感类别。

作为优选，步骤1中，通过诱导被试者产生不同的情绪变化，并采集其脑电数据，获得不同情感类型的脑电情感数据。

作为优选，所述预处理包括按固定频率对脑电数据进行采样，并将采样的脑电数据通过带通滤波器滤除噪声和伪影。

作为优选，所述预处理还包括将滤除噪声和伪影后的脑电数据按n个频段进行分类，分别计算每个频段下的微分熵，所述微分熵作为样本矩阵中的脑电特征。n为划分的频段数量。

作为优选，所述带通滤波器为1hz-75hz带通滤波器。

作为优选，滤除噪声和伪影后的所述脑电数据按Delta(1-4Hz)，Theta(4-8Hz)，Alpha(8-14Hz)，Beta(14-31Hz)和Gamma(31-50Hz)分为5个频段。