[发明专利]情绪脑电迁移模型训练方法、系统及情绪识别方法和设备

权利要求书

1.一种基于两层域适应网络的情绪脑电迁移模型训练方法，其特征在于，包含如下内容：

获取来自源域的有标签情绪脑电数据及来自目标域的无标签情绪脑电数据，构成训练样本；

对训练样本进行预处理，提取脑电信号频带范围内的微分熵特征，将微分熵特征映射至各通道，生成情绪脑电拓扑图数据；

构建迁移模型，该迁移模型包含卷积神经网络和与卷积神经网络连接的两级域适应网络，通过两级域适应网络分别对情绪脑电迁移学习中源域和目标域数据进行数据对齐，其中，卷积神经网络包括时间迁移卷积神经网络单元和跨被试迁移卷积神经网络单元；两级域适应网络包含用于类分布对齐及源域和目标域特征进行初步混淆的差异处理模块和用于消除类别边缘混淆的域适应网络模块；

利用情绪脑电拓扑图数据对迁移模型进行训练，获得训练收敛后的迁移模型。

2.根据权利要求1所述的基于两层域适应网络的情绪脑电迁移模型训练方法，其特征在于，训练样本预处理中，首先对脑电数据进行分段来提取情绪脑电信号，利用周围通道信号对数据差通道进行平均代替；然后再依次进行去除眼电伪迹、滤波、重参考和基线校正处理。

3.根据权利要求1或2所述的基于两层域适应网络的情绪脑电迁移模型训练方法，其特征在于，利用插值法将各脑电信号频带下的微分熵特征映射到相应各通道中，生成情绪脑电拓扑图数据。

4.根据权利要求1所述的基于两层域适应网络的情绪脑电迁移模型训练方法，其特征在于，时间迁移卷积神经网络单元包含两层卷积层、两层最大池化层及两层全连接层；跨被试迁移卷积神经网络单元包含六层卷积层、两层最大池化层和三层全连接层；其中，每个卷积层和全连接层均连接有用于数据分布标准化处理的自适应批归一化层。

5.根据权利要求1所述的基于两层域适应网络的情绪脑电迁移模型训练方法，其特征在于，差异处理模块利用最大均值差异算法来度量源域和目标域特征分布的距离，对源域和目标域特征进行初步混淆。

6.根据权利要求1或5所述的基于两层域适应网络的情绪脑电迁移模型训练方法，其特征在于，域适应网络模块通过对抗网络来实现源域和目标域特征的进一步混淆，其中，对抗式网络包含域鉴别器和特征提取器，域鉴别器根据特征提取器的输出来判别数据来自源域或目标域。

7.根据权利要求6所述的基于两层域适应网络的情绪脑电迁移模型训练方法，其特征在于，域适应网络模块的特征混淆过程中，在源域和目标域上对抗式学习目标域特征提取器和域鉴别器。

8.一种基于两层域适应网络的情绪脑电迁移模型训练系统，其特征在于，包含：样本收集模块、样本处理模块、模型构建模块和模型训练模块，其中，

样本收集模块，用于获取来自源域的有标签情绪脑电数据及来自目标域的无标签情绪脑电数据，构成训练样本；

样本处理模块，用于对训练样本进行预处理，提取脑电信号频带范围内的微分熵特征，将微分熵特征映射至各通道，生成情绪脑电拓扑图数据；

模型构建模块，用于构建迁移模型，该迁移模型包含卷积神经网络和与卷积神经网络连接的两级域适应网络，通过两级域适应网络分别对情绪脑电迁移学习中源域和目标域数据进行数据对齐，其中，卷积神经网络包括时间迁移卷积神经网络单元和跨被试迁移卷积神经网络单元；两级域适应网络包含用于类分布对齐及源域和目标域特征进行初步混淆的差异处理模块和用于消除类别边缘混淆的域适应网络模块；

模型训练模块，用于利用情绪脑电拓扑图数据对迁移模型进行训练，获得训练收敛后的迁移模型。

9.一种脑电情绪识别方法，其特征在于，包含：

获取目标对象的原始脑电信号，并对原始脑电信号进行预处理，提取脑电信号频带范围内的微分熵特征，将微分熵特征映射至各通道，生成情绪脑电拓扑图数据；

利用已训练的情绪脑电迁移模型对目标对象的脑电信号进行情绪识别，其中，情绪脑电迁移模型采用权利要求1～7任一项所述的方法进行模型训练。

10.一种脑电情绪识别设备，其特征在于，包含：数据采集模块和情绪识别模块，其中，

数据采集模块，用于获取目标对象的原始脑电信号，并对原始脑电信号进行预处理，提取脑电信号频带范围内的微分熵特征，将微分熵特征映射至各通道，生成情绪脑电拓扑图数据；

情绪识别模块，用于利用已训练的情绪脑电迁移模型对目标对象的脑电信号进行情绪识别，其中，情绪脑电迁移模型采用权利要求1～7任一项所述的方法进行模型训练。