CN112906783A - 一种适用于跨被试的脑电情绪识别方法及装置 - Google Patents
一种适用于跨被试的脑电情绪识别方法及装置 Download PDFInfo
- Publication number
- CN112906783A CN112906783A CN202110176255.3A CN202110176255A CN112906783A CN 112906783 A CN112906783 A CN 112906783A CN 202110176255 A CN202110176255 A CN 202110176255A CN 112906783 A CN112906783 A CN 112906783A
- Authority
- CN
- China
- Prior art keywords
- base classifier
- batch
- sample
- emotion recognition
- electroencephalogram emotion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008909 emotion recognition Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012360 testing method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 88
- 230000008451 emotion Effects 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000011478 gradient descent method Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 7
- PIZHFBODNLEQBL-UHFFFAOYSA-N 2,2-diethoxy-1-phenylethanone Chemical compound CCOC(OCC)C(=O)C1=CC=CC=C1 PIZHFBODNLEQBL-UHFFFAOYSA-N 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种适用于跨被试的脑电情绪识别方法：步骤1，将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，同时初始化基分类器；步骤2，设置当前基分类器的网络参数；步骤3，训练基分类器；步骤4，利用自适应提升算法计算训练集中每个样本的权重；步骤5，判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入步骤2。本发明的方法和装置借助自适应提升算法确定跨被试脑电情绪数据集的样本权重，能够有效的调整样本特征分布，提高脑电情绪识别模型的泛化性能。
Description
技术领域
本发明属于深度学习技术领域，具体涉及一种适用于跨被试的脑电情绪识别方法及装置。
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，不利于深度神经网络的学习，不易泛化，使得脑电情绪识别在实际生活中的应用存在一定的局限性。因此急需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。
发明内容
针对现有技术中的缺陷和不足，本发明的目的在于，提供一种适用于跨被试的脑电情绪识别方法及装置，该方法能有效地解决用于脑电情绪识别的深度神经网络在训练过程中存在因跨被试脑电情绪数据集样本特征分布不均导致网络泛化性能差的问题。
为达到上述目的，一方面，本发明公开了一种适用于跨被试的脑电情绪识别方法，具体包括以下步骤：
步骤1，将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，将用于脑电情绪识别的神经网络作为基分类器，并初始化基分类器；
步骤2，设置当前基分类器的网络参数；
步骤3，训练基分类器，具体是将训练集中的样本分批次，计算每个批次的加权损失值，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；
步骤4，利用自适应提升算法计算训练集中每个样本的权重；
步骤5，判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入步骤2。
进一步的，所述步骤1包括如下子步骤：
将跨被试脑电情绪数据集分为训练集和测试集，并将训练集中的样本的权重进行初始化；
将用于脑电情绪识别的神经网络作为基分类器，并对基分类器的网络参数进行初始化，得到初始化后的第一代基分类器。
进一步的，所述步骤2包括如下子步骤：
步骤2.1，判断当前基分类器是否为步骤1得到的初始化后的第一代基分类器，如果是，转至步骤3，否则转至步骤2.2；
步骤2.2，获取上一代基分类器的网络参数；
步骤2.3，将当前基分类器的网络参数设置为步骤2.2中获取到的网络参数。
进一步的，所述步骤3包括如下子步骤：
步骤3.1，将训练集中的样本逐批次进行样本权重归一化，具体是用每个批次内各样本权重除以该批次内所有样本的权重之和作为每个样本的归一化权重；
步骤3.2，对于每个批次，将批次内每个样本的归一化权重与该样本的损失相乘，得到每个样本的加权损失值，该批次内所有样本的加权损失值之和求平均得到该批次的加权损失值向量；
步骤3.3，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；每个批次在上个批次更新网络参数的基础上再次进行网络参数更新，直至训练集中所有批次都遍历。
进一步的，所述步骤5包括如下子步骤：
步骤5.1，获取当前基分类器在测试集上的泛化性能；
步骤5.2，判断是否满足停机条件，是则取泛化性能最大的基分类器作为最终训练好的脑电情绪识别模型；否则转入步骤2。
另一方面，本发明公开了一种适用于跨被试的脑电情绪识别装置，具体包括以下模块：
初始化模块，用于将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，将用于脑电情绪识别的神经网络作为基分类器，并初始化基分类器；
网络参数设置模块，用于设置当前基分类器的网络参数；
基分类器训练模块；用于实现：将训练集中的样本分批次，计算每个批次的加权损失值，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；
样本权重更新模块，用于实现：利用自适应提升算法计算训练集中每个样本的权重；
停机模块；用于实现：判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入网络参数设置模块。
进一步的，所述初始化模块具体实现如下操作：
将跨被试脑电情绪数据集分为训练集和测试集，并将训练集中的样本的权重进行初始化；
将用于脑电情绪识别的神经网络作为基分类器，并对基分类器的网络参数进行初始化，得到初始化后的第一代基分类器。
进一步的，所述网络参数设置模块包括如下子模块：
子模块一，用于判断当前基分类器是否为初始化模块得到的初始化后的第一代基分类器，如果是，转至基分类器训练模块，否则转至子模块二；
子模块二，用于获取上一代基分类器的网络参数；
子模块三，用于将当前基分类器的网络参数设置为子模块二中获取到的网络参数。
进一步的，所述基分类器训练模块具体包括如下子模块；
子模块一，用于实现：将训练集中的样本逐批次进行样本权重归一化，具体是用每个批次内各样本权重除以该批次内所有样本的权重之和作为每个样本的归一化权重；
子模块二，用于实现：对于每个批次，将批次内每个样本的归一化权重与该样本的损失相乘，得到每个样本的加权损失值，该批次内所有样本的加权损失值之和求平均得到该批次的加权损失值；
子模块三，用于实现：根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；每个批次在上个批次更新网络参数的基础上再次进行网络参数更新，直至训练集中所有批次都遍历。
进一步的，所述停机模块具体包括如下模块：
子模块一，用于获取当前基分类器在测试集上的泛化性能；
子模块二，用于实现：判断是否满足停机条件，是则取泛化性能最大的基分类器作为最终训练好的脑电情绪识别模型；否则转入网络参数设置模块。
本发明与现有技术相比，有益的技术效果是：
(1)本发明能够在深度神经网络训练过程中自适应更新跨被试脑电情绪数据集的样本权重，相较于现有技术，能达到充分挖掘数据及本身所蕴含的有利于脑电情绪识别任务的有益效果。
(2)本发明借助自适应提升算法确定深度神经网络跨被试脑电情绪数据集的样本权重，相较于现有技术方法，能够有效的调整样本特征分布，提高脑电情绪识别模型的泛化性能。
(3)本发明的适用于跨被试的脑电情绪识别方法及装置通过当前基分类器继承上一代基分类器的网络参数，无需从头开始训练基分类器，既保留了上一代基分类器学习到的情感信息，又提高了脑电情绪识别模型的训练效率。
(4)本发明的适用于跨被试的脑电情绪识别方法及装置，能够将跨被试原始情感脑电信号作为输入，通过该方法、装置训练适用于跨被试的脑电情绪识别模型，可用于人机交互系统感知用户情绪。
附图说明
图1为本发明的方法的原理图。
图2为本发明的适用于跨被试的脑电情绪识别方法的流程图。
具体实施方式
以下对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1和图2所示，图1中wi为第i个样本的权重，n为训练集样本数。
本发明提供的适用于跨被试的脑电情绪识别方法，具体包括以下步骤：
步骤1，将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，将用于脑电情绪识别的神经网络作为基分类器，并初始化基分类器；包括如下子步骤：
将跨被试脑电情绪数据集分为训练集和测试集，并将训练集中的样本的权重进行初始化，即样本i的权重为wi＝1/n，n为训练集样本数；
将用于脑电情绪识别的神经网络作为基分类器，并对基分类器的网络参数进行初始化，得到初始化后的第一代基分类器；
步骤2，设置当前基分类器的网络参数；包括如下子步骤：
步骤2.1，判断当前基分类器是否为步骤1得到的初始化后的第一代基分类器，如果是，转至步骤3，否则转至步骤2.2；
步骤2.2，获取上一代基分类器的网络参数；
步骤2.3，将当前基分类器的网络参数设置为步骤2.2中获取到的网络参数。
该步骤中，通过当前基分类器继承上一代基分类器的网络参数，无需从头开始训练基分类器，既保留了上一代基分类器学习到的情感信息，又提高了脑电情绪识别模型的训练效率。
步骤3，训练基分类器，具体是将训练集中的样本分批次，计算每个批次的加权损失值，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；具体包括如下子步骤；
步骤3.1，将训练集中的样本逐批次进行样本权重归一化，具体是用每个批次内各样本权重除以该批次内所有样本的权重之和作为每个样本的归一化权重；
步骤3.2，对于每个批次，将批次内每个样本的归一化权重与该样本的损失相乘，得到每个样本的加权损失值，该批次内所有样本的加权损失值的之和求平均得到该批次的加权损失值；
步骤3.3，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；每个批次在上个批次更新网络参数的基础上再次进行网络参数更新，直至训练集中所有批次都遍历。
步骤3中，将训练集中所有训练样本划分到多个批次(batch)中，分批次(batch)基于梯度下降法更新基分类器网络参数，这样兼顾了梯度下降的准确度和更新效率。
步骤4，更新训练集中每个样本的权重；
利用自适应提升算法(Adaboost)计算训练集中每个样本的权重，训练集中所有样本的权重集合为Wm，m为迭代次数；
步骤5，判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入步骤2。具体包括如下步骤：
步骤5.1，获取当前基分类器在测试集上的泛化性能；
步骤5.2，判断是否满足停机条件，是则取泛化性能最大的基分类器作为最终训练好的脑电情绪识别模型；否则转入步骤2。优选的，停机条件是连续t代基分类器的泛化性能未提升，本实施例中t取300。
上述技术方案能够将跨被试原始情感脑电信号作为输入，通过该方法、装置训练适用于跨被试的脑电情绪识别模型，可用于人机交互系统感知用户情绪。该方案借助自适应提升算法确定深度神经网络确定跨被试脑电情绪数据集的样本权重，相较于现有技术方法，能够有效的调整样本特征分布，提高脑电情绪识别模型的泛化性能。同时，在深度神经网络训练过程中自适应更新跨被试脑电情绪数据集的样本权重，相较于现有技术，能达到充分挖掘数据及本身所蕴含的有利于脑电情绪识别任务的有益效果。
本发明提供的适用于跨被试的脑电情绪识别装置，包括以下模块：
初始化模块，用于将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，将用于脑电情绪识别的神经网络作为基分类器，并初始化基分类器。包括如下操作：
将跨被试脑电情绪数据集分为训练集和测试集，并将训练集中的样本的权重进行初始化，即样本i的权重为wi＝1/n，n为训练集样本数；
将用于脑电情绪识别的神经网络作为基分类器，并对基分类器的网络参数进行初始化，得到初始化后的第一代基分类器；
网络参数设置模块，用于设置当前基分类器的网络参数；包括如下子模块：
子模块一，用于判断当前基分类器是否为步骤1得到的初始化后的第一代基分类器，如果是，转至基分类器训练模块，否则转至子模块二；
子模块二，用于获取上一代基分类器的网络参数；
子模块三，用于将当前基分类器的网络参数设置为子模块二中获取到的网络参数。
该模块中，通过当前基分类器继承上一代基分类器的网络参数，无需从头开始训练基分类器，既保留了上一代基分类器学习到的情感信息，又提高了脑电情绪识别模型的训练效率。
基分类器训练模块；用于实现：将训练集中的样本分批次，计算每个批次的加权损失值向量，根据每个批次的加权损失值向量，基于梯度下降法更新一次基分类器网络参数；具体包括如下子模块；
子模块一，用于实现：将训练集中的样本逐批次进行样本权重归一化，具体是用每个批次内各样本权重除以该批次内所有样本的权重之和作为每个样本的归一化权重；
子模块二，用于实现：对于每个批次，将批次内每个样本的归一化权重与该样本的损失相乘，得到每个样本的加权损失值，该批次内所有样本的加权损失值之和求平均得到该批次的加权损失值；
子模块三，用于实现：根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；每个批次在上个批次更新网络参数的基础上再次进行网络参数更新，直至训练集中所有批次都遍历。
该模块中，将训练集中所有训练样本划分到多个批次(batch)中，分批次(batch)基于梯度下降法更新基分类器网络参数，这样兼顾了梯度下降的准确度和更新效率。
样本权重更新模块，用于实现：利用自适应提升算法(Adaboost)计算训练集中每个样本的权重；
停机模块；用于实现：判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入网络参数设置模块。具体包括如下模块：
子模块一，获取当前基分类器在测试集上的泛化性能；
子模块二，如果连续t代基分类器的泛化性能未提升，则取泛化性能最大的基分类器作为最终训练好的脑电情绪识别模型；否则转入网络参数设置模块。
上述技术方案能够将跨被试原始情感脑电信号作为输入，通过该方法、装置训练适用于跨被试的脑电情绪识别模型，可用于人机交互系统感知用户情绪。该方案借助自适应提升算法确定深度神经网络确定跨被试脑电情绪数据集的样本权重，相较于现有技术方法，能够有效的调整样本特征分布，提高脑电情绪识别模型的泛化性能。同时，在深度神经网络训练过程中自适应更新跨被试脑电情绪数据集的样本权重，相较于现有技术，能达到充分挖掘数据及本身所蕴含的有利于脑电情绪识别任务的有益效果。
实施例1：
本实施例以使用跨被试脑电情绪DEAP数据集进行脑电情绪识别为例，具体参数设置以DEAP数据集中的设置为例，包括如下步骤：
步骤1：将32个被试的脑电情绪数据集分为训练集和测试集，训练集有1024个样本，测试集有256个样本，每个样本大小为32×7680(32个脑电通道，脑电记录时长60s，采样频率为128Hz)，并初始化训练集中每个样本的权重为1/1024。将用于脑电情绪识别的神经网络作为基分类器，并基于kaiming正态分布(何凯明提出的针对于修正线性单元的初始化方法)初始化基分类器网络参数；
本实施例中，用于脑电情绪识别的神经网络采用EEGNet，EEGNet是一种用于脑电识别任务的通用的紧凑型卷积神经网络，出自Lance,Brent J,Gordon,et al.EEGNet:acompact convolutional neural network for EEG-based brain-computer interfaces[J].Journal of Neural Engineering,2018,15(5):056013(17pp).
步骤2：判断当前用于跨被试脑电情绪识别的基分类器是否为步骤1得到的初始化后的第一代基分类器，如果是则转至步骤3，否则继承上一代基分类器网络参数。
步骤3，逐批次对训练集中跨被试情感脑电信号样本权重进行归一化，批次大小(batch size)设置为64(即每个批次中样本数量为64)，对于每个批次，将批次内归一化后的每个情感脑电样本权重与该批次样本的交叉熵损失相乘，得到批次内所有样本的加权损失值，该批次内所有样本的加权损失值之和求平均得到该批次的加权损失值，后基于自适应时刻估计方法更新一次跨被试脑电情绪识别基分类器的网络参数；每个批次在上个批次更新网络参数的基础上再次进行网络参数更新，直至脑电情绪训练集中所有批次都遍历。
步骤4，利用自适应提升算法(Adaboost采用SAMME.R算法)计算跨被试脑电情绪训练集中每个样本的权重；
步骤5，判断是否满足停机条件，如果连续300代基分类器的泛化性能未提升，则取泛化性能最大的基分类器作为最终训练好的脑电情绪识别模型；否则转入步骤2。
DEAP数据集有三个维度标签刻画被试的情绪，分别为效价，唤醒，优势度，值范围均为1～9，以5作为阈值将任务抽象为三个二分类问题。表1是本发明的方法及其对比的方法(用EEGNet在DEAP数据集上进行脑电情绪识别)在DEAP数据集三个维度标签上分别进行五折交叉验证后得到的分类准确率。其中，脑电情绪识别方法是使用其他神经网络(EEGNet)进行脑电情绪识别。本发明的方法是通过自适应提升算法更新样本权重，依次迭代训练多个基分类器进行脑电情绪识别。
表1在DEAP数据集三个维度上不同方法的分类准确率
从表1中可以看出本发明的方法较其他脑电情绪识别方法在唤醒和优势度上的分类准确率有明显的提升，效价有稍许提升，本发明通过自适应调整情感脑电的样本权重有效的调整情感脑电样本特征的分布，有效提高了在跨被试上脑电情绪识别模型的泛化性能。
Claims (10)
1.一种适用于跨被试的脑电情绪识别方法，其特征在于，具体包括以下步骤：
步骤1，将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，将用于脑电情绪识别的神经网络作为基分类器，并初始化基分类器；
步骤2，设置当前基分类器的网络参数；
步骤3，训练基分类器，具体是将训练集中的样本分批次，计算每个批次的加权损失值，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；
步骤4，利用自适应提升算法计算训练集中每个样本的权重；
步骤5，判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入步骤2。
2.如权利要求1所述的适用于跨被试的脑电情绪识别方法，其特征在于，所述步骤1包括如下子步骤：
将跨被试脑电情绪数据集分为训练集和测试集，并将训练集中的样本的权重进行初始化；
将用于脑电情绪识别的神经网络作为基分类器，并对基分类器的网络参数进行初始化，得到初始化后的第一代基分类器。
3.如权利要求1所述的适用于跨被试的脑电情绪识别方法，其特征在于，所述步骤2包括如下子步骤：
步骤2.1，判断当前基分类器是否为步骤1得到的初始化后的第一代基分类器，如果是，转至步骤3，否则转至步骤2.2；
步骤2.2，获取上一代基分类器的网络参数；
步骤2.3，将当前基分类器的网络参数设置为步骤2.2中获取到的网络参数。
4.如权利要求1所述的适用于跨被试的脑电情绪识别方法，其特征在于，所述步骤3包括如下子步骤：
步骤3.1，将训练集中的样本逐批次进行样本权重归一化，具体是用每个批次内各样本权重除以该批次内所有样本的权重之和作为每个样本的归一化权重；
步骤3.2，对于每个批次，将批次内每个样本的归一化权重与该样本的损失相乘，得到每个样本的加权损失值，该批次内所有样本的加权损失值之和求平均得到该批次的加权损失值；
步骤3.3，根据每个批次的加权损失值基于梯度下降法更新一次基分类器网络参数；每个批次在上个批次更新网络参数的基础上再次进行网络参数更新，直至训练集中所有批次都遍历。
5.如权利要求1所述的适用于跨被试的脑电情绪识别方法，其特征在于，所述步骤5包括如下子步骤：
步骤5.1，获取当前基分类器在测试集上的泛化性能；
步骤5.2，判断是否满足停机条件，是则取泛化性能最大的基分类器作为最终训练好的脑电情绪识别模型；否则转入步骤2。
6.一种适用于跨被试的脑电情绪识别装置，其特征在于，具体包括以下模块：
初始化模块，用于将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，将用于脑电情绪识别的神经网络作为基分类器，并初始化基分类器；
网络参数设置模块，用于设置当前基分类器的网络参数；
基分类器训练模块；用于实现：将训练集中的样本分批次，计算每个批次的加权损失值，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；
样本权重更新模块，用于实现：利用自适应提升算法计算训练集中每个样本的权重；
停机模块；用于实现：判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入网络参数设置模块。
7.如权利要求6所述的适用于跨被试的脑电情绪识别装置，其特征在于，所述初始化模块具体实现如下操作：
将跨被试脑电情绪数据集分为训练集和测试集，并将训练集中的样本的权重进行初始化；
将用于脑电情绪识别的神经网络作为基分类器，并对基分类器的网络参数进行初始化，得到初始化后的第一代基分类器。
8.如权利要求6所述的适用于跨被试的脑电情绪识别装置，其特征在于，所述网络参数设置模块包括如下子模块：
子模块一，用于判断当前基分类器是否为初始化模块得到的初始化后的第一代基分类器，如果是，转至基分类器训练模块，否则转至子模块二；
子模块二，用于获取上一代基分类器的网络参数；
子模块三，用于将当前基分类器的网络参数设置为子模块二中获取到的网络参数。
9.如权利要求6所述的适用于的跨被试脑电情绪识别装置，其特征在于，所述基分类器训练模块具体包括如下子模块；
子模块一，用于实现：将训练集中的样本逐批次进行样本权重归一化，具体是用每个批次内各样本权重除以该批次内所有样本的权重之和作为每个样本的归一化权重；
子模块二，用于实现：对于每个批次，将批次内每个样本的归一化权重与该样本的损失相乘，得到每个样本的加权损失值，该批次内所有样本的加权损失值之和求平均得到该批次的加权损失值；
子模块三，用于实现：根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；每个批次在上个批次更新网络参数的基础上再次进行网络参数更新，直至训练集中所有批次都遍历。
10.如权利要求6所述的适用于跨被试的脑电情绪识别装置，其特征在于，所述停机模块具体包括如下模块：
子模块一，用于获取当前基分类器在测试集上的泛化性能；
子模块二，用于实现：判断是否满足停机条件，是则取泛化性能最大的基分类器作为最终训练好的脑电情绪识别模型；否则转入网络参数设置模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110176255.3A CN112906783A (zh) | 2021-02-06 | 2021-02-06 | 一种适用于跨被试的脑电情绪识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110176255.3A CN112906783A (zh) | 2021-02-06 | 2021-02-06 | 一种适用于跨被试的脑电情绪识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112906783A true CN112906783A (zh) | 2021-06-04 |
Family
ID=76122892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110176255.3A Pending CN112906783A (zh) | 2021-02-06 | 2021-02-06 | 一种适用于跨被试的脑电情绪识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906783A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114145744A (zh) * | 2021-11-22 | 2022-03-08 | 华南理工大学 | 基于跨设备前额脑电情绪识别的方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631477A (zh) * | 2015-12-25 | 2016-06-01 | 天津大学 | 基于极限学习机和自适应提升的交通标志识别方法 |
| CN109961018A (zh) * | 2019-02-27 | 2019-07-02 | 易念科技（深圳）有限公司 | 脑电信号分析方法、系统及终端设备 |
| CN110070105A (zh) * | 2019-03-25 | 2019-07-30 | 中国科学院自动化研究所 | 基于元学习实例快速筛选的脑电情绪识别方法、系统 |
| CN111553295A (zh) * | 2020-05-01 | 2020-08-18 | 北京邮电大学 | 基于自注意力机制的多模态情感识别方法 |
-
2021
- 2021-02-06 CN CN202110176255.3A patent/CN112906783A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631477A (zh) * | 2015-12-25 | 2016-06-01 | 天津大学 | 基于极限学习机和自适应提升的交通标志识别方法 |
| CN109961018A (zh) * | 2019-02-27 | 2019-07-02 | 易念科技（深圳）有限公司 | 脑电信号分析方法、系统及终端设备 |
| CN110070105A (zh) * | 2019-03-25 | 2019-07-30 | 中国科学院自动化研究所 | 基于元学习实例快速筛选的脑电情绪识别方法、系统 |
| CN111553295A (zh) * | 2020-05-01 | 2020-08-18 | 北京邮电大学 | 基于自注意力机制的多模态情感识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114145744A (zh) * | 2021-11-22 | 2022-03-08 | 华南理工大学 | 基于跨设备前额脑电情绪识别的方法和系统 |
| CN114145744B (zh) * | 2021-11-22 | 2024-03-29 | 华南理工大学 | 基于跨设备前额脑电情绪识别的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
| Sinkkonen et al. | Clustering based on conditional distributions in an auxiliary space | |
| CN109547133A (zh) | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 | |
| CN113693613B (zh) | 脑电信号分类方法、装置、计算机设备及存储介质 | |
| CN108363493B (zh) | 基于脑机接口的用户特征模型建立方法、系统及存储介质 | |
| Huang et al. | Visualizing deep learning-based radio modulation classifier | |
| CN110544177A (zh) | 基于电力指纹的负荷识别方法及计算机可读存储介质 | |
| CN109242106B (zh) | 样本处理方法、装置、设备和存储介质 | |
| CN112001305B (zh) | 基于梯度提升决策树的特征优化ssvep异步识别方法 | |
| CN109165615A (zh) | 一种面向脑电信号的多分类器单路模式下的参数训练算法 | |
| CN111563556B (zh) | 一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统 | |
| CN115221969A (zh) | 基于emd数据增强和并行scn的运动想象脑电信号识别方法 | |
| CN112906783A (zh) | 一种适用于跨被试的脑电情绪识别方法及装置 | |
| CN113095162B (zh) | 一种基于半监督深度学习的频谱感知方法 | |
| CN113837046A (zh) | 一种基于迭代特征分布学习的小样本遥感图像场景分类方法 | |
| CN116681921A (zh) | 一种基于多特征损失函数融合的目标标注方法及系统 | |
| CN106709934A (zh) | 频域高斯核函数图像追踪方法 | |
| CN116738330A (zh) | 一种半监督域自适应脑电信号的分类方法 | |
| CN114495114B (zh) | 基于ctc解码器的文本序列识别模型校准方法 | |
| CN114997229A (zh) | 一种基于脑电信号的运动想象分类方法和系统 | |
| CN111241960B (zh) | 一种基于维纳滤波与pca的人脸识别方法及系统 | |
| CN114567398A (zh) | 一种基于卷积长短时记忆神经网络的频谱感知方法 | |
| Zhang et al. | A Pruning Neural Network for Automatic Modulation Classification | |
| CN113177482A (zh) | 一种基于最小类别混淆的跨个体脑电信号分类方法 | |
| CN112890828A (zh) | 一种密集连接门控网络的脑电信号识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |