[发明专利]基于脑电信号情绪识别的性别差异性检测方法

权利要求书

1.一种基于长短时记忆图神经网络的脑电特征识别方法，其特征在于，从脑电数据集中提取微分熵特征，再将微分熵特征转化为表示图的特征矩阵，然后训练长短时记忆图神经网络模型同时采集特征数据的脑部功能连接信息和时序关系，最后利用训练好的网络模型实现情绪识别；

所述的长短时记忆图神经网络模型是添加记忆模块的图卷积神经网络，该网络包括：长短时记忆模块、多个图卷积模块、域分类器、梯度反转层、情绪感知学习器、池化层、全连接层，其中：长短时记忆模块捕捉特征矩阵之间的时序依赖信息，图卷积模块提取与情绪体验相关的脑部功能连接特征信息，域分类器用来解决跨被试场景的效率问题，梯度反转层在反向传播期间反转域分类器的梯度，情绪感知学习器则是针对数据标签噪声，池化层对输出特征进行池化，最后使用全连接层对池化特征进行解码并预测情绪标签；

所述的训练，通过对原始数据进行预处理，即提取微分熵频域特征作为实验的输入数据，设计通用的同性训练策略及异性训练策略，运用留一交叉验证法对每个数据集的每份被试数据训练识别器，得到相应的同性模型和异性模型，在迭代中调整每组模型的超参数，获取最后的实验结果，具体包括：

1)首先对各个数据集进行信息封装，然后将每个数据集划分为男性数据和女性数据两份，将实验数据归一化，作为模型训练的输入；

2)其次对图卷积网络学习的邻接矩阵进行初始化：并将全局连接初始值设为：A_ij＝A_ij-1，全局连接共有9对，它们横跨左右脑半球，能最大化脑电信号的偏侧化作用，发现半球之间的功能连通性；

3)使用留一交叉验证法训练每份被试数据的同性模型和异性模型，具体来说是将任意一份被试的数据当作测试集，使用其他所有的同性别的被试的脑电数据作为训练集X_{i_same}，训练一个同性模型，同时使用所有的异性数据为训练集X_{i_cross}，训练一个异性模型；

4)在长短时记忆图神经网络中，将特征矩阵序列输入长短时记忆模块；对于输入序列中的元素，记忆模块的更新法则分别是：输入门：i_t＝σ(W_ixx_t+b_ii+W_ihh_t-1+b_i)，遗忘门：f_t＝σ(W_fxx_t+b_if+W_fhh_t-1+b_f)，记忆门：g_t＝tanh(W_cxx_t+W_chh_t-1+b_c)，记忆细胞状态：输出门：o_t＝σ(W_oxx_t+W_ohh_t-1+b_o)，h_t＝o_t*tanh(c_t)，其中：h_t为t时刻的隐藏层状态，对应h_t-1为t-1时刻或初始的隐藏层状态，σ是指logistic sigmoid函数，*为Hadamard积；

5)对于长短时记忆模块的输出X_i，每个图卷积模块计算：Z_i＝S^LX_iW，输出Z_i并学习各脑部功能连接的重要性；

6)然后图卷积模块的输出经过池化层和全连接层，输出对情绪标签Y_i的概率分布：其中，是指全连接层以softmax函数为激活函数，pool(·)为进行全局总和池化，σ(Z_i)则是对Z_i的每个元素进行非线性转换：σ(x)＝max(0，x)；

7)在节点为学习过程中，训练一个域分类器来学习域不变特征，减少源域X^S和目标域X^T之间的差异性；域分类器的主要工作是最小化两个二分类任务的交叉熵损失函数：它增强模型的泛化能力，提升跨被试实验中的鲁棒性；

8)然后利用梯度反转层辅助域分类器的学习过程，梯度反转层因子的计算函数为：其中p∈[0，1]代表模型训练的进度；

9)情绪感知学习器利用噪声等级因子将单个情绪标签转换为先验概率分布，将图卷积模块的优化问题替换为最小化KL散度函数的问题：减轻数据集内部的标签噪声问题；

10)整个模型的损失函数变为计算：Φ″＝Φ′+Φ_D，最后使用单层全连接网络输出预测结果，分别计算同性模型和异性模型识别准确率并迭代上述训练过程。