[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

说明书

本发明属于脑电情绪识别领域，具体涉及了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及系统，旨在解决现有脑电情绪识别无法克服脑电信号非平稳性和个体时间差异带来的预测精度不足的问题。本发明包括：基于静态网络和动态卷积残差块构建基于注意力机制的特征提取器，并分别提取源域和目标域的脑电信号的高维特征；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，并基于差异性进行源域和目标域的高维特征对齐；通过分类器进行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。本发明克服了脑电信号非平稳性和个体时间差异带来的不足，预测精度高、效率高，模型应用价值更高。

技术领域

本发明属于脑电情绪识别领域，具体涉及了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及系统。

背景技术

情绪识别具有极大的科学和临床意义。脑电信号是一种具有较高时间分辨率的生理信号，通过分析情绪刺激引起的即时大脑活动来进行情绪识别，比面部表情、手势、语言等非生理手段更加客观可靠。

目前利用脑电信号进行情绪识别的研究在个体非独立下已经达到较高精度。但是脑电信号存在非平稳性且个体差异较大的挑战，一些传统的模型参数需要根据不同个体进行调整，脑电情绪识别的效率以及识别结果的准确性和精度都受到了限制。

综上所述，探索基于迁移学习的脑电信号情绪识别算法，并针对跨时间、跨个体情境下的多源域脑电情绪识别的进一步的研究具有实际意义。

发明内容

为了解决现有技术中的上述问题，即现有脑电情绪识别无法克服脑电信号非平稳性和个体时间差异带来的预测精度不足的问题，本发明提供了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，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。

在一些优选的实施例中，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。

在一些优选的实施例中，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。

在一些优选的实施例中，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。