[发明专利]利用迁移学习实现神经网络脑电情感识别模型的方法

权利要求书

1.一种利用迁移学习实现神经网络脑电情感识别模型的方法，其特征在于，包括以下步骤：

步骤S1：对脑电数据集进行预处理；

步骤S2：搭建脑电信号特征提取预训练模型，以基于三心搏识别方法构建的双通道一维卷积神经网络模型作为源域模型迁移模型进行微调训练，采用一维卷积神经网络对每个通道的脑电信号进行特征提取，将全连接层至输出层的结构替换为平均池化层，输出各通道脑电信号的高层次提取特征，得到多通道卷积神经网络；

步骤 S3：采用多通道卷积神经网络对脑电数据集中的多通道脑电信号进行特征提取；

步骤S4：得到多通道卷积网络输出的高层次特征，特征集合输入递归神经网络中进行序列建模，输出递归神经网络特征集合；

步骤S5：使用自适应注意力模型和加权特征融合方式实现特征的重新分布，重构形成完整且具有时序信息的特征集合；

步骤S6：特征集合通过完全连接层进行多分类，获得脑电情感信号在效价和唤醒度两种指标上的预测结果；

步骤S1具体包括以下步骤：

步骤S11:采用小波基函数对脑电数据集中的脑电信号进行多级小波变换分解，得到EEG_raw_data；

步骤S12:对EEG_raw_data进行去均值，把输入数据各个维度都中心化为0，把样本的中心拉回到坐标系原点上，得到数据EEG_data1；

步骤S13:把EEG_data1中信号幅度归一化到一样的范围，得到数据EEG_data2；

步骤S14:对EEG_data2进行主成分分析，使数据各个特征轴上的幅度归一化，得到数据集EEG_data；

步骤S2具体包括以下步骤：

步骤S21:从源域获取一维卷积神经网络模型，将全连接层至输出层的结构进行替换，采用一维卷积神经网络对每个通道的脑电信号进行特征提取，将全连接层至输出层的结构替换为平均池化层，输出各通道脑电信号的高层次提取特征，得到初始模型Model_1；

步骤S22:取出EEG_data数据库中的部分数据，作为EEG_Transfer数据集；

步骤S23:将EEG_Transfer数据集中的数据分为训练集、测试集和验证集，每个数据集各自独立严格分开互不关联；

步骤S24:将每组训练集在初始模型Model_1上进行训练并在验证集上进行验证；

步骤S25:重复步骤S23直至遍历全部训练集，通过梯度下降法，优化初始参数得到目标域模型Model_2；

步骤S26:用测试集对Model_2进行测试，验证迁移后目标域模型的可靠性；

步骤S3具体包括以下步骤：

步骤S31:将EEG_data数据集中的多导联脑电信号作为多通道数据分别输入到目标域模型Model_2的各通道提取情感特征；

步骤S32:将切割后的EEG_data输入卷积层，采用补零方式使得卷积运算后输出长度保持不变；

步骤S33:卷积层输出数据进入归一化层进行归一化处理，再输入下一激活层，激活函数采用ReLU函数；

步骤S34:将卷积层，归一层和激活层组合多次叠加并在其中插入Dropout层，随机失活部分网络以防止网络过拟合；

步骤S35:通过平均池化层输出单个通道的高层次特征；

步骤S4具体包括以下步骤：

步骤S41:多通道卷积网络输出特征张量S以供双向长短期记忆结构Bi-LSTM的递归神经网络输入使用，输出张量长为批处理大小、宽为时间序列长度、通道数为隐藏层单元数量；

步骤S42:在Bi-LSTM内部单元中附加一个tanh激活函数以实现非线性映射，将特征映射至[0,1]范围；

步骤S43:Bi-LSTM网络的隐藏层数量的初始选取采用与输入特征向量的长度相一致，后逐步调整隐藏单元个数，批处理大小的初值设置，并且设定训练的循环次数阈值；

步骤S44:在Bi-LSTM网络中加入L1正则化、L2正则化以及随机失活层，以避免网络过拟合现象，网络训练得到脑电情感信号的时序特征集S_Time；

步骤S45:通过对应位置取和的方式将Bi-LSTM网络中的正向、反向的两组输出合并为长、宽、通道数均不变的一组特征向量，由此得到递归神经网络的输出维度。