[发明专利]一种用于认知状态识别的特征分组归一化方法

说明书

技术领域

本发明涉及模式识别的特征归一化问题，尤其涉及一种用于认知状态识别的特征分组归一化方法。

背景技术

认知状态识别是指计算机通过分析人的外在行为特征达到对其内部心理状态的理解，特别是在人机交互中对于人的目的、意图进行识别和判断。使用模式识别技术对于人的不同认知状态的识别是近几年发展起来的研究热点，基于磁共振、脑波和眼动的认知状态识别方法研究的比较多。认知状态识别的流程包括以下步骤：特征提取、特征归一化、分类器训练和模式判别。其中，特征提取及其归一化处理方法均对状态识别效果有重要的影响。目前适用于认知状态识别的特征提取技术已经日趋成熟，但是通用的特征归一化方法并不能满足认知状态识别的需求，因此需要一种能够用于认知状态识别的特征归一化方法。

特征归一化的目的是将各种不同的特征转换到一个共同的值域范围，可以避免分类器训练时出现大数量级特征所占权重过大的问题，归一化处理后使得原本数量级较小但是差异性较大的特征能够在判别函数中起到相应的作用。除此之外，对每种特征归一化处理后，数据范围的变化使得分类算法可以较好的收敛，获得更好的识别效果。

目前通用的特征归一化方法的步骤为：首先选择需要使用的归一化函数，然后对特征的所有特征数据进行归一化函数的参数估计，最后对特征的所有特征数据使用相同参数的归一化函数进行整体转换。由于使用这种归一化方法时，相同特征的数据采用相同参数的归一化函数进行整体变换，因此可以将其称之为特征整体归一化方法。

这种特征整体归一化方法能够解决各个特征之间存在的分布多样性问题的，研究表明，对于基于多种生物特征的用户识别系统，以及基于不同搜索引擎产生的文档相关度的文档检索系统，使用该方法均能有效提高识别性能。但是，在认知状态识别过程中特征整体归一化方法的使用效果并不理想。虽然使用该方法后，统一了不同特征的值域范围，在一定程度上提高了认知状态的识别效果，但是并未解决每种特征内部存在分布多样性的问题。这是因为，使用认知状态识别的特征提取技术获取的特征通常具有以下特点：首先，各个特征的分布存在多样性，不同特征分布的位置和尺度具有差异；其次，为了得到人类认知的共性差异特征，需要同时提取多名用户的特征数据，比如基于视觉行为的认知状态识别，需要通过多名用户眼动特征中存在的共性差异来区分不同的认知状态。显而易见，不同用户的视觉行为特征是存在差异的，比如每名用户固有的瞳孔直径大小并不一致。因此对于认知状态识别所提取的特征，即使是同一种特征，其内部的分布也是具有多样性的，即相同特征用户间的特征分布存在着个体差异。

特征内部数据分布多样性问题导致不同认知状态下的特征数据互相重叠，可区分性大大降低，将会严重影响识别效果。而且该问题并不能通过特征整体归一化方法来解决，由于用户间特征数据分布存在个体差异，对特征进行特征整体归一化后仅仅解决了特征间的分布多样性问题，特征数据内部的差异仍然保留了下来，在训练分类器时就会产生影响，导致识别率不能有效地提高。

发明内容

本发明的目的是针对目前特征整体归一化方法无法解决认知状态识别过程中所提取特征存在内部分布多样性的问题，提出了一种用于认知状态识别的特征分组归一化方法。本发明的方法既能够解决各个特征之间的分布多样性问题，也能够解决特征内部差异过大问题，提高认知状态识别正确率。

本发明的技术方案为：

1.一种用于认知状态识别的特征分组归一化方法，其特征在于：

(1)特征数据分组

(1-1)特征X来源于A类的特征数据为XA_ij(i＝1，2，...，m，j＝1，2，...，n₁，m为用户数，n₁为A类任务数)；

(1-2)特征X来源于B类的特征数据为XB_ii(i＝1，2，...，m，j＝1，2，...，n₂，m为用户数，n₂为B类任务数)；

(1-3)构造特征X的特征矩阵：如下：