[发明专利]异常自动检测的半监督自适应标记回归脑电情感识别方法

说明书

本发明公开了异常自动检测的半监督自适应标记回归脑电情感识别方法。该方法的具体步骤包括：脑电数据采集，数据与处理与特征提取，建立异常自动检测的半监督自适应标记回归脑电情感识别模型，对模型进行迭代优化，获取预测标签，分析模型参数。相比于传统最小二乘方法，本发明具有以下技术效果：1)本发明提出了异常判定因子的概念，能够在模型优化过程中动态发现并删除异常样本点。2)本发明提出了半监督标签重标定回归方法，增大了不同类别间样本的距离，显著提高了分类准确率。3)利用特征权重因子，本发明可以观测在目标任务下的脑电的关键频段与关键导联。

技术领域

本发明属于脑电信号处理技术领域，具体涉及一种异常自动检测的半监督自适应标记回归脑电情感识别方法。

背景技术

情绪能够显著影响人的生理和心理状态，在人的生活中起着重要的作用。其通常是指一种自发而不是通过有意识地努力产生的心理状态，并且往往伴随着与人体器官相关的生理变化。传统的情感识别方法大多基于人的外在表现进行情感识别，如语音语调，面部表情，语言内容等等。然而这些信息在实际场景中很容易被伪装，从而导致情感无法被有效识别。脑电(EEG)作为一种来自中枢神经系统的生理信号，具有蕴含信息量大，采集方便，不易伪装等优势，已经成为情感识别的优质数据源。

虽然脑电在情感识别领域有诸多优势，但其固有的信号微弱，易被干扰，随机性强等特性在一定程度上制约了脑电情感识别的发展。在脑电信号采集过程中，眼球运动，肌肉收缩，环境中的电磁波，采集设备电极的导电性等诸多因素都会对最终采集到的数据产生影响。长期以来，虽然有很多学者在脑电信号伪迹的去除上做了大量研究，但这一情况至今还未得到充分地解决。在另一方面，由于脑电信号随机性较强，同一被试者的同种情感在不同测试时间会有明显差异。因此，如何提高跨时段脑电情感识别任务的准确率也是当前研究的热点之一。

传统的最小二乘方法(LSR)通常是在训练集学习一个系数矩阵W与一个偏置b，再将学习到的模型对测试集中的数据进行分类。然而，直接将LSR模型用于脑电情感识别存在一定的问题。1)某些噪声较大的样本会使得模型发生较大偏移。2)如果需要进行跨时段的脑电情感识别，来自训练集与测试集的数据差异较大，模型准确率难以得到保证。3)在脑电情感识别任务中，带标记数据样本通常较少，直接使用监督学习的LSR方法完成情感识别任务可能很难取得好的效果。

发明内容

本发明的目的在于针对现有技术的不足，提出了一种异常自动检测的半监督自适应标记回归脑电情感识别方法。

一种异常自动检测的半监督自适应标记回归脑电情感识别方法方法，包括以下步骤：

步骤1、在时间段1采集多个当前情感类别已知的被试者的情感脑电数据；对采集的脑电数据进行预处理与特征提取，得到带标记样本矩阵X_l和对应的带标记样本标签矩阵Y_l；带标记样本标签矩阵Y_l采用one-hot形式的表示。

步骤2、在在与步骤1的采集时间不同的时间段2采集当前情感类别未知的被试者的情感脑电数据；对采集的脑电数据进行预处理与特征提取，得到无标记样本矩阵X_u；并设定无标记样本标签矩阵Y_u的初始值；带标记样本矩阵X_l和无标记样本矩阵X_u组成样本矩阵X；带标记样本标签矩阵Y_l与无标记样本标签矩阵Y_u组成标签矩阵Y。无标记样本标签矩阵Y_u会在算法优化过程中会被逐步更新。

步骤3、将异常判定因子向量t，方向矩阵D，标签重标定矩阵R，特征权重矩阵Θ嵌入最小二乘模型，并将模型拓展至半监督框架，得到目标函数。

3-1.构建目标函数如下：