[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

说明书

本发明公开了一种基于聚类的对抗部分域适应跨被试EEG情绪识别方法，利用源域样本的特征计算类簇中心，并将源域真实标签作为类簇标签，并引入一致性匹配算法和跨域聚类共识指标，利用Kmeans聚类得到无标签目标域样本相应的类簇标签和类簇中心，将源域类簇中心与目标域类簇中心进行一致性匹配，对于匹配成功的两个类簇，将源域标签分配给共同语义的目标域类簇，同时计算跨域聚类共识指标实现最优目标域类簇个数的搜索，最终实现源域和目标域的共有类别的关联和私有类别的分离，该方法充分考虑无标签数据的特征空间分布结构，具有较高的普适性，能够大大提高模型训练效率，并为临床应用提供技术支持。

技术领域

本发明涉及脑电(EEG)情绪识别领域，提出一种基于聚类的对抗部分域适应算法，适用于目标样本类别是源样本类别子集的场景，解决跨被试EEG个体差异问题及跨域类别不平衡的部分域适应问题。

背景技术

如何有效地解决深度神经网络在跨被试上进行脑电情绪识别时模型泛化性能差的问题是目前机器学习和脑机接口领域广泛关注的热点。传统方法是通过手工设计提取有效脑电情感特征，并使用机器学习模型，如支持向量机进行情绪分类，需要依赖专家知识，且费时费力。随着深度学习的发展，以其无需进行手工特征提取，能自动学习特征，且具有强大的数据表征能力的优点被广泛应用在各个领域。在脑电情绪识别领域，目前使用最多的深度神经网络有卷积神经网络和长短期记忆网络。但是由于脑电情感信号具有低信噪比，非平稳性的特点，且每个被试表达情绪的方式不同，其不同人之间，单个人采集的脑电的情感特征都存在差异，容易导致跨被试脑电情绪数据集的样本特征分布不均，泛化性能差，使得脑电情绪识别的实际应用存在局限性。因此需要一种能适用于跨被试，能自适应调整样本特征分布以提高脑电情绪识别模型泛化性能的脑电情绪识别方法。

迁移学习中的领域自适应是一种针对解决源域和目标域分布偏移的机器学习算法。目前域适应方法主要的重点是如何最小化分布差异，旨在通过学习源域和目标域的域不变特征，从而在目标域没有或少量标签的情况下，将从源域学到的分类器直接应用于目标域。同时，在认知神经领域，也有学者开始将迁移学习应用于神经生理信号的分析，但其准确率及普适应还有很大的提升空间。目前，EEG情绪识别的最大难题就是如何避免个体差异性的影响，也就是说相同的认知状态下每个被试个体的脑电信号是存在巨大差异的。

从跨域条件类别分布角度看，现有的无监督域适应方法都是针对源域和目标域共享类别的任务，也就是说，源样本和目标样本类别信息是一致的。然而在更加真实、具有挑战的场景下，样本数据可能存在样本分布不均匀、类别不平衡的多种挑战，如何进一步在类别不平衡场景下的知识迁移是目前域适应更有挑战的问题。目前已有学者开始研究计算机视觉中的跨域类别不平衡的情况，比如部分域适应。而在进行EEG情绪识别时，如果想要学习已有源域被试的情绪认知模式，并将其迁移至新的目标域中，并且目标域情绪认知状态与源域不完全一致的情况，则将其称为情绪识别的部分域适应。在真实场景下，我们往往存在想从类别不平衡的数据集中学习到共有知识的情况，因此本发明将构建一个部分域适应模型适用于个体差异性较大及跨域类别不平衡情况下的情绪识别算法，以便在实际临床适用。

发明内容

现有方法大多直接使用基于源域数据训练出的分类器为目标域未标记数据提供伪标签，对于决策边界较为模糊的目标任务，并且在部分域适应的情境下，不能保证伪标签的可靠性，易给模型带来较大的负面影响。目前相关研究成果大多应用在图像识别、目标检测等方面，在神经生理学方面还未展开相关研究。因此本发明提供一种基于聚类的对抗部分域适应跨被试EEG情绪识别方法，提出基于聚类的对抗部分域适应算法适用于跨被试情绪识别的部分域适应问题，针对EEG数据可能存在个体差异性、以及数据集之间类别不平衡，目标样本类别是源样本类别子集的场景，充分学习带标签样本的结构特征，将目标域和源域的特征分布对齐，以实现域间特征的正向迁移。所提出的方法主要有两个方面：