[发明专利]基于动态卷积残差多源迁移的脑电情绪识别方法及系统

权利要求书

1.一种基于动态卷积残差多源迁移学习的脑电情绪识别方法，其特征在于，所述脑电情绪识别方法包括：

基于静态网络和动态卷积残差块构建特征提取器，并分别提取源域和目标域的脑电信号的高维特征；所述特征提取器包括静态网络、动态网络、第一注意力机制和第二注意力机制，所述第一注意力机制用于根据不同的样本调整所述动态网络和所述静态网络在特征提取器所占的权重，所述第二注意力机制用于进行所述动态网络的参数动态调整；

结合边缘分布域适应方法和条件分布域适应方法，度量目标域和源域的差异性，并基于所述差异性进行源域和目标域的脑电信号的高维特征对齐；

通过分类器进行所述对齐的高维特征的分类，获得源域和目标域的脑电信号的情绪识别结果。

2.根据权利要求1所述的基于动态卷积残差多源迁移学习的脑电情绪识别方法，其特征在于，所述静态网络和所述动态网络，其结构为：

所述静态网络为一个一维卷积层，所述一维卷积层的参数为不随样本变化的静态参数；

所述动态网络包括k个一维卷积残差块，所述k个一维卷积残差块在所述动态网络中所占的动态权重，根据不同的样本通过所述第二注意力机制模块进行动态调整，其中，k为预设的超参数。

3.根据权利要求2所述的基于动态卷积残差多源迁移学习的脑电情绪识别方法，其特征在于，所述预设的超参数k的取值为：

当针对跨个体任务时，k＝4；

当针对同一个体的跨时间任务时，k＝2。

4.根据权利要求1所述的基于动态卷积残差多源迁移学习的脑电情绪识别方法，其特征在于，所述动态网络，在特征提取器所占的权重为：

W_θ(x)＝λW₀+(1-λ)ΔW_θ(x)

其中，W_θ(x)代表特征提取器的主体函数，ΔW_θ(x)代表动态网络的主体函数，W₀代表静态网络的卷积核，λ代表第一注意力机制模块获取的动态网络在特征提取器所占的权重，π_i(x)代表第二注意力机制模块获取的动态网络中第i个一维卷积残差块随样本x变化的动态权重，Φ_i代表第i个一维卷积残差块。

5.根据权利要求4所述的基于动态卷积残差多源迁移学习的脑电情绪识别方法，其特征在于，所述k个一维卷积残差块在所述动态网络所占的动态权重为：

a＝Softmax(W₂(Relu(W₁x+b₁)+b₂))

其中，a为一维卷积残差块在动态网络所占的动态权重，W₁和W₂分别代表预设的第二注意力机制的两个全连接层参数，b₁和b₂分别代表第二注意力机制的两个全连接层的偏置，x代表样本，Relu代表第二注意力机制的第一个全连接层的激活函数，Softmax代表第二注意力机制的第二个全连接层的激活函数。

6.根据权利要求1所述的基于动态卷积残差多源迁移学习的脑电情绪识别方法，其特征在于，所述脑电情绪识别方法，其训练中的总损失包括情绪分类损失、边缘分布域适应损失和条件分布域适应损失；

所述总损失，其表示为：

L＝L_cls+L_MMD+L_MCD

其中，L代表总损失函数，L_cls为情绪分类损失函数，L_MMD为边缘分布域适应损失函数，L_MCD为条件分布域适应损失函数。

7.根据权利要求6所述的基于动态卷积残差多源迁移学习的脑电情绪识别方法，其特征在于，所述情绪分类损失函数为交叉熵损失函数。