[发明专利]基于聚类的对抗部分域适应跨被试EEG情绪识别方法

权利要求书

1.基于聚类的对抗部分域适应跨被试EEG情绪识别方法，其特征在于，步骤如下：

步骤1：数据预处理；

采用公开的SEED数据集作为训练数据集；脑电图信号数据输入模型前需要进行预处理；每秒从SEED数据集的5个频带中提取微分熵(DE)特征：δ：1-3Hz，θ：4-7Hz，α：8-13Hz，β：14-30Hz，γ：31-50Hz；特征维度为310个(62个通道×5个频带)；

步骤2：数据定义

给定N个存在个体差异的EEG数据，将所有被试个体作为源域并且已知其认知状态标签，该源域表示为X_s，源域标签表示为Y_s，类别数C，而无标签的新被试个体作为目标域X_t，类别数K未知；

步骤3：构建并训练EEG情绪识别模型；

所述的EEG情绪识别模型包括共享特征提取器G、分类器F和判别器D。

2.根据权利要求1所述的基于聚类的对抗部分域适应跨被试EEG情绪识别方法，其特征在于，步骤3具体方法如下：

输入：带有标签的源域数据{X_s,Y_s}，该源域表示为X_s，源域标签表示为Y_s，类别数C，不带标签的目标域数据X_t，类别数K未知，和最大迭代次数T；

3-1.利用共享特征提取器G提取源域和目标域样本数据潜在的公共特征，将提取的公共特征映射到一个公共的特征空间；

3-2.以源域样本数据X_s特有的类别标签为约束优化分类器F，目标函数为有监督的分类损失L_ce；

3-3.利用域对抗方法，使特征提取器G能学习到来自源域和目标域两个领域的不变特征，以混淆判别器D，使其认为特征来自相同域，使得两个域在特征空间的边缘分布对齐，对抗目标函数为L_d；

3-4.源域数据X_s和目标域数据X_t通过特征提取器G能提取到领域不变的特征向量V^s和V^t，将真实标签为c的特定类源域数据表示为从中提取到的特征向量为最后通过特定类特征向量计算源域中类别为c的样本的类簇中心而源域样本的类簇标签是基于真实标签分配的，最后得到所有类别的源域类簇中心和类簇标签{1,…,C}；

3-5.采用Kmeans聚类方法对目标域样本特征V^t进行聚类，得到对应的目标域样本类簇中心和类簇标签{1,…,K}；

3-6.由于通过Kmeans聚类得到的类簇标签与源域的真实标签不成立对应关系，使用一致性匹配来关联语义一致的共有类别的源域类簇中心与目标域类簇中心给定一对源域和目标域的类簇特征为和其中来自一个域的类簇在另一个域中搜索距离该类簇最近的类簇中心μ，然后确定是否两者同时为彼此最近的类簇中心，如果两者同时为彼此最近的类簇中心则这样的一对匹配类簇就被认为是公共类簇，该对类簇的类簇标签为{c,k}，然后将对应的第k个类簇目标域样本的伪标签分配为匹配的源域标签c；

3-7.使用余弦相似度来计算来自某一个域的样本到另一个域的所有类簇中心的距离；对于一对类簇中源域的第i个样本，计算其与所有目标域类簇中心的余弦相似度同理计算目标域第i个样本与所有源域类簇中心的余弦相似度

3-8.利用3-7得到的结果计算源域聚类共识得分以及目标域聚类共识得分

3-9.然后对由3-8得到的源域聚类共识得分与目标域聚类共识得分取平均值，得到这对类簇的跨域聚类共识得分S_(c,k)，最后计算所有类簇对的共识得分的平均值S_total；

3-10.为了确定目标域聚类的类簇数量K，对Kmeans算法设置不同的K，重复步骤3-4至3-9进行多次聚类，根据跨域聚类共识得分S_total确定最优类簇数量，最后以最优类簇数进行聚类，得到最优的目标域类簇中心；

3.11.为了提高目标聚类的可判别性，重新构建带伪标签的目标域数据集并利用带伪标签目标数据为神经网络施加了一个原型正则化项促进聚类的优化，使得特征在类别层面对齐；

3-12.总的目标优化函数为：

其中，λ₁，λ₂为模型的超参数；

3-13.在对神经网络进行优化之前先进行一次初始化聚类得到带伪标签的目标域数据集为了避免不准确标签的积累，在优化模型的同时交替更新聚类；每对神经网络进行五次优化，就重新执行一次聚类，重构伪标签数据，直至迭代T次；

输出：目标域样本对应于类簇原型中心距离最近的类簇标签。