[发明专利]联合半监督回归与图标签传播的脑电迁移情感识别方法

说明书

本发明公开了联合半监督回归与图标签传播的脑电迁移情感识别方法。该方法采集来自不同被试者的脑电数据，提取特征作为样本矩阵。构建双映射域适应模型和半监督回归与图标记传播联合模型两个子模型，进行联合优化。在优化过程中，对不同变量进行交替迭代优化，从而不断优化特征共享子空间，缩减源域和目标域之间的数据分布差异，得以学习到更加准确的目标域标签，进一步缩减两域之间的差异。本方法可以缩减被试之间脑电数据的分布差异，同时进一步抑制被试数据特征间存在的差异对情感识别过程的影响，解决在跨被试情感识别领域由于被试之间的个体差异性带来的识别效果不佳的问题。

技术领域

本发明属于脑电信号处理技术领域，具体涉及一种联合半监督回归与图标签传播的脑电迁移情感识别方法。

背景技术

在1990年，Salovey和Mayer提出了情感智能的概念，并认为除了逻辑智能外，情感智能也是人工智能的重要组成部分，对于机器来说，能够自动并准确地识别人的情感状态是实现机器情感智能的关键，而情感是一种综合了人的感觉、思想和行为的状态，不仅包括人对外界环境或自身刺激的心理反应，还包括伴随这种心理反应的生理反应，并且人们的情感表现，例如表情、语音等，会因外部环境、自身认知等因素的影响不自觉的进行伪装以及变化，但是，源自中枢神经系统活动的脑电信号与人们的真实情感之间存在着直接关联，是不可伪装的，因此而被广泛应用于客观情感识别领域，并已成为该领域的研究热点，同时随着计算机技术、生物科学、神经科学等学科的不断发展，脑电信号对于提高人机交互中情感状态识别的准确性以及可靠性起到了越发重要的帮助。

虽然脑电信号因其不可伪装性而能够客观地进行情感状态识别，但是，脑电信号存在有一个重要的问题，个体差异性，人与人之间的脑电信号以及一个人在不同时间的脑电信号，均存在着分布差异，这就会导致以同分布为假设的机器学习方法难以泛化。因此，迁移学习的概念被提出，其基本思路是使用辅助域的知识来促进目标域的识别任务。常见的迁移学习方法一般可分为四类：基于模型、基于特征、基于样本、基于关系。其中，基于特征的方法是最广泛使用的迁移方法，该类方法目的是学习一种共享特征表示并结合一些分布度量策略，例如最大均值差异等，将目标域和源域数据映射到共享子空间中以缩减两域差异，达到一个基本近似分布的状态。其中对于条件分布的计算是与源域以及目标域的标签息息相关的，因此，如果能够学习到准确的目标域标签，就可以得出更好的投影矩阵，进而可以更好地缩小源域和目标域之间的分布差异以得出更加优秀的目标标签，提升模型识别精度，保证情感人机交互的可靠性。两域原始数据的映射方法可以分为单映射以及双映射，理论上来说，相较于单映射，双映射在映射过程中会考虑两域各自的个性特征，但为防止两域个性特征在共享子空间中的过度体现，还需要对两域的映射矩阵进行一定的约束，因此，理论上认为单映射应包含于双映射之中，而现有技术大多采用单映射的方式，忽略映射过程中域本身的有益个性特征，仅保留可用于迁移的共有特征。

同时，由于脑电信号的个体差异性，使得不同被试针对于同一情感的脑电信号的特征表示也会有所差异，而大多现有技术只简单地进行跨被试迁移识别，并不能很好的满足人机交互对于情感识别准确性的要求，因此，需要结合一定的学习方法，对其识别过程进行优化，基于图的标记传播是一种较为适用的方式，并且其效果在现有技术(CN113157094A)中得到了体现，但是其构造的无向图在用于两域间标签传播时，不仅考虑了源域与目标域之间的关联，还会考虑域内样本的关联，而这一关联在双映射环境中，可能会因为两域部分个性特征的保留而影响到最终的识别结果。

发明内容

针对现有技术的不足，本发明提出了一种联合半监督回归与图标签传播的脑电迁移情感识别方法，通过对源域数据和目标域数据在共享子空间对齐的投影矩阵P_s,P_t、半监督回归的样本-标签映射矩阵W、样本-特征二部图关联矩阵S以及目标域情感标签F_t进行联合迭代优化，通过不断的迭代优化特征共享子空间，得到更好的对齐数据，以便于更好地应用于样本-标签映射矩阵W和样本-特征关联矩阵S的学习，从而得到更加准确的目标域情感标签F_t应用于共享子空间的学习。