CN115905837B - 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 - Google Patents

Abstract

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。

Description

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

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：

s.t.t^T1＝k,0≤t_i≤1,Y＝[Y_l；Y_u],Y_u≥0,

r_i≥0

其中，t_i为第i个样本的异常判定因子，是异常判定因子向量t中第i个元素，矩阵W＝ΘV；矩阵V为最小二乘的系数矩阵；矩阵Θ为特征权重矩阵，向量x_i为样本矩阵X中的第i列，表示第i个样本。向量b为最小二乘中的偏置项。向量y_i为标签矩阵Y的第i列，为第i个样本对应标签的one-hot编码。r_i为标签重标定矩阵R的第i列。λ为正则系数；n表示样本总数；约束条件中，k为预设的正常样本数量；||·||₂表示向量的l₂范数计算；||·||_2,1表示矩阵的l_2,1范数计算，对于一个n行m列的矩阵M，

符号⊙表示哈达玛积运算。

3-2.固定Y_u,t,R，更新矩阵W和向量b。

3-3.固定Y_u,W,b,R，更新异常判定因子向量t。

3-4.固定Y_u,W,b,t，更新标签重标定矩阵R。

3-5固定t,W,b,R，更新无标记样本标签矩阵Y_u。

步骤4、设定正则系数λ和正常样本数量k的值以及目标函数阈值，并将样本矩阵X代入目标函数，对目标函数中的变量W,V,Θ,b,Y_u,D,R,t进行联合迭代优化，得到更新后的无标记样本标签矩阵Y_u以及各个变量的数值。

步骤5、根据步骤4得到的无标记样本的标签Y_u确定被试者在步骤2的脑电采集过程中的情感类别。

作为优选，所述正则系数λ的取值为[2^-10,2¹⁰]。

作为优选，所述正常样本数量k的取值为样本总数的80％-95％。

作为优选，在优化过程中，异常判定因子t_i的取值是二值化的。当t_i为0时，说明当前样本为异常样本，其样本损失在计算中被舍弃，即在当次优化过程中动态删除该样本；反之，t_i为1时，样本则被判定为正常。

作为优选，步骤3-2中，向量b的更新公式为：

矩阵W的更新公式为：

W＝(XKX^T+λQ)^-1XKZ^T

作为优选，步骤3-3中异常判定因子向量t的获取过程如下：

定义er_i为第i个样本的损失，其计算公式如下：

对所有样本按照各自的er_i进行升序排序，设置er_i最小的k个样本对应的异常判定因子t_i为1，其余为0。

作为优选，步骤3-4中标签重标定矩阵R的获取过程如下：

当Y_u,W,b,t固定时，目标函数简化为：

其中，P＝W^TX+b1^T-Y，D＝2Y-11^T。

标签重标定矩阵R的优化方式为：

R＝max(P./B,0)

其中./表示两个同型矩阵逐个元素相除。

作为优选，针对步骤四得到的联合迭代优化结果，进行脑电异常数据分布分析。脑电异常数据分布分析具体为：根据学习得到的异常判定因子向量t，在时间维度上构建异常样本分布图。通过异常样本分布图发现异常点分布特征后，根据异常点分布特征确定异常产生的原因，并优化数据采集方式。

作为优选，针对步骤四得到的联合迭代优化模型，进行脑电情感激活模式分析。脑电情感激活模式分析具体为：

(1)对权重矩阵W进行“行归一化二范数”处理，获取各个特征权重，其计算公式为：

其中，θ_i表示样本第i个特征的重要性。

通过特征与脑电频段、导联的对应关系，获取各个频段，各个导联的重要性度量。频段p_i的重要性水平为：

导联q_i的重要性水平为：

其中，p_n为频段数量，q_n为导联数量。

通过频段、导联的重要性水平结果，选择重要性水平较高的若干个频段和导联对被试者的脑电采集，从而在计算速度要求较高的场景，降低样本矩阵维度，减少计算时间；同时，在需要设计情感识别的可穿戴设备时，可以只选取较为重要的几个导联采集被试者脑电信息，从而提高用户体验，降低成本。

本发明具有以下有益效果：

1、本发明通过引入异常判定因子t，使得模型在优化过程中能够自适应发现样本中的异常点，并将其动态删除，从而防止模型向异常数据偏移。保证了模型在噪声数据较多的样本中仍能保持良好的性能。

2、本发明构建了一种半监督标签重标定回归的方法，使得模型能够充分利用无标记样本数据。同时，该方法在目标函数中引入了方向矩阵D与标签重标定矩阵R，使得模型可以在优化过程中通过样本类别的估计获取样本标签的重标定位置，从而增大不同类别间样本的距离。

3、本发明借助异常判定因子t，在时域上构建异常样本分布图，可以直观观测异常样本的分布，进而推测在数据采集等过程中存在的问题。

附图说明

图1为本发明的流程示意图。

图2为本发明所得的异常样本分布图。

具体实施方式

以下结合附图对本发明作进一步的解释说明。

本实施例中，为方便说明，空心字母

表示实数域，上标表示矩阵或向量的维度。粗体大写字母V,Θ,D等表示矩阵，粗体小写字母d,t,r等表示向量，小写字母与希腊字母t_i,λ,k等表示数字。

如图1所示，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，包括以下步骤：

步骤1、脑电情感数据采集

选取c种带有明显情感倾向的视频片段在多个时间段让同一批被试者观看，在被试者观看视频过程中采集脑电数据作为原始数据集。在一个时间段内，一个被试者观看了多个视频片段，在这里，我们称一个视频片段对应的数据为一个试次。在本实施例中，情感类别共包括4种，分别为开心，害怕，悲伤，平静。取其中一个时间段采集到的脑电数据打上情感标签作为原始带标记样本，再选取另一个时间段中采集到的情感数据作为原始无标记样本，进行跨时段的脑电情感识别任务。

步骤2、预处理与特征提取

具体的，本实施例中，对步骤1中的原始脑电数据进行采样，采样率为200Hz，然后通过1Hz-75z的带通滤波器滤除噪声，并分别在5个频段(Delta(1-4Hz)，Theta(4-8Hz)，Alpha(8-14Hz)，Beta(14-31Hz)和Gamma(31-50Hz))计算其微分熵(DE)特征，获取样本矩阵X。

其中，一个被试者的脑电数据对应一个样本矩阵

由带标记样本

与无标记样本/>

组成，n_l,n_u分别为带标记样本与无标记样本的数量。其对应的情感标记矩阵为/>

包括带标记样本标签矩阵/>

与无标记样本标签矩阵/>

无标记样本矩阵中的每个元素在初始时被设置为0.25；

通过数据的预处理，可以在一定程度上提高样本质量，为实现高准确度情感识别任务奠定基础。

步骤3.1：将异常判定因子t，方向矩阵D，标签重标定矩阵R，特征重要性因子Θ嵌入最小二乘模型，并将其拓展至半监督框架。得到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。其目标函数如下：

其中，t_i表示向量

中第i个元素；矩阵/>

为最小二乘中的系数矩阵；矩阵/>

为特征权重矩阵，向量/>

为特征权重向量；向量/>

为样本矩阵

中的第i列，表示第i个样本；向量/>

为最小二乘中的偏置项；向量/>

为标签矩阵/>

的第i列，为第i个样本对应标签的one-hot编码；/>

为方向矩阵

的第i列；/>

为重标定矩阵/>

的第i列。λ为正则系数，为人工设定的超参数，用于防止模型发生过拟合；k为预先设定的正常样本的数量。符号||·||_F表示矩阵的Frobenius范数计算，||·||₂表示向量的l₂范数计算，符号⊙表示哈达玛积运算。上标中，字母n表示样本数量，d表示脑电特征数量，c表示情感类别数量。

式(1)中，d_i⊙r_i一项为标签重标定回归方法的核心，

为方向矩阵/>

的第i列。/>

为标签重标定矩阵/>

的第i列。在带标记样本中，d_i通过样本的实际类别计算得到；无标记样本中，d_i通过对样本类别的估计得到。r_i在优化过程被自适应确定。通过此方法，可以有效增加属于不同类别样本的距离，提高模型识别准确度。

对上述公式的形式做出简单变换，令W＝ΘV，则有V＝Θ^-1W，式(1)可以写成如下形式：

当式(2)中的变量t,W,b,y,d,r确定时，通过如下目标函数获取θ：

通过拉格朗日乘子法，最优的θ为：

则如式(3)所示的目标函数被重写为：

其中，

因此，如式(2)所示的目标函数可被重写为：

在半监督标签重标定回归的方法中，方向矩阵D用于控制标签重标定的方向，对于带标记样本，其对应方向矩阵的列d_i可以由标签直接计算得到；对于无标记样本，其对应方向矩阵的列d_i通过对标签的估计得到，但二者的计算方式是统一的。其计算方式为：

D＝2Y-11^T (7)

因此，d_i＝2y_i-1。如式(6)所示的目标函数转化为：

步骤3.2：固定Y_u,t,R，更新W,b。

为了方便进一步计算，令Z＝Y+(2Y-11^T)⊙R，z_i定义为矩阵Z的第i列。将式(8)写为如下矩阵形式：

其中，J₁为关于W的函数。T＝diag(t)，函数diag(·)为将向量构造为对角阵。Tr(·)为矩阵的迹运算。考虑到上述优化过程为无约束优化，将J₁对b求导，得到：

令导数为0，得到b的更新公式为：

将式(11)带入式(9)，并进一步化简，得到：

其中，J₂为关于b的函数。

矩阵I为单位阵，∈为一个微小的正数常量，用于保证||w^j||+∈的值为正数。令式(12)对W求导，得到：

其中，矩阵Q为对角阵，其对角线上第i个元素为：

置导数为0，得到W的更新公式为：

W＝(XKX^T+λQ)^-1XKZ^T (15)

步骤3.3固定Y_u,W,b,R，更新t。

观察目标函数(8)，可以发现在本步骤中，每个样本的损失已经被确定，若想最小化目标函数，则最优解一定为将损失最小的k个样本前的异常判定因子t_i设置为1，其余样本前t_i设置为0。在本步骤中，异常判定因子在优化过程中拥有了较为明确的物理意义，即当t_i为1时，表明当前样本为正常点；当t_i为0时，表明当前样本为异常点。显然，在优化过程中，异常点所产生的损失不会被计入损失函数中，因此，异常判定因子t的引入能够减弱噪声对模型的影响。

步骤3.4固定Y_u,W,b,t，更新R。

当Y_u,W,b,t固定时，目标函数(8)重写为：

其中，P＝W^TX+b1^T-Y，D＝(2Y-11^T)，容易发现，各个元素的优化是一个相互独立的过程，关于R的优化方式为：

R＝max(P./D,0) (17)

其中./表示两个同型矩阵逐个元素相除。

步骤3.5固定t,W,b,R，更新Y_u。

对于无标记样本，在本步骤中，其各个样本间的优化是相对独立的，因此，我们可以逐列对其优化。目标函数(8)可以转化为如下形式：

其中m_i＝(W^Tx_i+b+r_i)./(1+2r_i)，为方便计算，我们在式(18)前乘以系数

得到：

其中，对其中一个样本的优化可以写成如下形式：

式(20)可以采用经典的拉格朗日乘子法与KKT条件进行求解，构建拉格朗日函数：

其中，λ,η为拉格朗日乘子。设y^*为最优解，其对应的最优参数分别为λ^*,η^*根据kkt条件可以获得以下不等式：

其中，式(22)中的第一个不等式的向量形式如下：

y^*-m-γ^*1-η^*＝0 (23)

考虑到y^T1＝1，(23)可转化为：

将式(24)带入式(23)后，得到：

令

上述公式被化简为：

因此，对于j∈[1,c]，(26)可被转化为：

根据(27)与(22)，我们可以推导出

其中(f(·))＝max(f(·),0)。因此，我们可以推导出：

如果最优

可以被确定，则最优的y^*可以通过(28)式确定。相似地，(27)可以被重写为/>

即/>

因此，/>

可按如下方式进行求解：

考虑到约束条件y^T1＝1与(28)式，我们定义如下函数：

最优的

应满足/>

当(30)式为0时，最优的/>

可通过牛顿法进行求解，其迭代公式为：

是一个分段单调线性函数，当/>

时，/>

其导数

当/>

时，/>

其导数/>

因此，我们可以通过对/>

中正数个数的计数得到/>

步骤4设定正则系数λ和正常样本数量k的值以及目标函数阈值，并将已完成预处理与特征提取后的脑电数据带入目标函数中，对目标函数中的变量W,V,Θ,b,Y_u,D,R,t进行联合迭代优化，得到无标记样本标签矩阵Y_u的值以及各个变量的数值。

步骤5根据获得的无标记样本的标签，获取最终情感识别的分类结果。

获取步骤3中已完成优化的无标记样本标签矩阵Y_u，并将该矩阵按列分块，即

再逐列求取最大值对应的序号，例如：y_t＝[0.77,0.11,0.03,0.09]^T，此时第一个元素数值最大，因此，被试者在t时刻对应的情感状态为第一种情感状态。

步骤6分析脑电异常数据的分布及脑电情感激活模式。

步骤6.1脑电异常数据分布分析

根据学习得到的异常判定因子t，在时间维度上构建异常样本分布图。

在一个时间段中，被试者观看了多个情感片段，在这里，我们称在一次实验中，一个视频片段对应的样本为一个试次。

如图2所示，图片底色的灰度代表每个试次理论上诱发出的情感。在当第i个样本被判定为正常样本时，其样本点位于图片上方；当第i个样本被判定为异常样本时，其样本点位于图片下方。通过分布图，我们可以直观的观察异常发生的时间以及分布。在我们使用的数据集中，我们发现异常数据点大多集中在每个情感片段的前半部分。因此，我们推测在实验过程中，可能由于被试者在每次观看完视频后的休息时间不足，导致在后序的试次被试者还未完全前一个试次中恢复。即后续试次存在一定的对应于前面刺激素材诱发的背景情感信息。因此，在后序的实验中，可以适当延长在两个试次间被试者的休息时间，以提高获取到的脑电数据的质量。步骤6.2脑电情感激活模式分析

对权重矩阵W进行“行归一化二范数”处理，获取各个特征权重，其计算公式为：

其中，θ_i表示第i个样本的重要性，其数值越大，则说明该特征对情绪识别越重要。同时，我们通过特征与频段导联的对应关系，获取各个特征，各个频段的重要性度量。在本实例中，频段数量p_n取5，包括：Delta，Theta，Alpha，Beta，Gamma。导联数量q_n取62。

第p_i个频段的重要性水平为：

第q_i个导联的重要性水平为：

步骤7利用步骤6中的分析方法对步骤4中获取的参数进行分析，当发现异常点分布特征后，根据实际情况对数据采集过程进行优化，并重新执行步骤1-步骤5。同时，如果需要减少计算时间，可以根据步骤6.2中获得的关键频段与关键导联选取这些数据进行采集，并重新优化目标函数，更新目标函数中的变量。

本发明与监督模式的二乘方法(LSR)，半监督模式下最小二乘方法(sLSR)，引入特征权重因子Θ的半监督最小二乘方法(FLSR)，引入特征权重因子Θ与异常判定因子t的最小二乘方法(AFLSR)在SEED-IV数据集上进行的跨时段任务精度如表1,2,3所示，其中表1所示精度为以时间段1采集到的脑电数据作为带标记样本，时间段2采集到的脑电数据作为无标记样本，进行跨时段脑电情感识别；其简写为s1→s2。相似地，表2所示实验结果为s1→s3,表3所示实验结果为s2→s3。每个表对应一组实验，包含15个实验对象，实验对象命名为subject1，subject2,…,subject15。通过比较，我们可以发现，在绝大多数试次中，本发明优于其他方法。表格中，最高准确率以粗体形式展示。

表1 s1→s2识别准确率(％)

试次	LSR	sLSR	FLSR	AFLSR	本发明
						subject1	52.88	57.09	75.60	77.04	77.20
subject2	80.11	80.53	83.53	83.53	86.78
						subject3	61.73	63.34	77.88	77.88	78.00
subject4	66.51	67.43	68.51	68.51	80.65
						subject5	61.23	63.82	64.33	66.85	73.44
subject6	68.75	61.90	53.25	58.29	75.36
						subject7	76.78	77.64	80.89	82.33	89.90
subject8	67.55	78.85	74.76	74.76	88.70
						subject9	54.93	59.86	62.38	74.76	74.91
subject10	57.81	58.41	59.32	59.74	66.83
						subject11	50.11	51.92	59.74	61.30	68.15
subject12	63.28	64.90	56.49	62.14	75.00
						subject13	57.57	61.90	58.77	60.58	73.80
subject14	74.40	84.62	85.22	85.22	90.26
						subject15	88.74	89.66	98.56	98.56	98.56
平均值	65.49	68.12	70.62	72.77	79.84

表2 s1→s3识别准确率(％)

试次	LSR	sLSR	FLSR	AFLSR	本发明
						subject1	73.44	74.45	80.78	83.09	92.58
subject2	60.51	80.17	91.00	92.21	92.34
						subject3	50.19	51.82	57.06	61.68	63.38
subject4	76.16	75.43	80.29	80.29	74.21
						subject5	58.76	75.18	72.51	74.33	82.73
subject6	68.15	69.71	77.13	79.93	83.45
						subject7	82.12	73.60	80.66	87.23	92.34
subject8	81.70	82.97	83.91	84.91	92.46
						subject9	45.50	64.23	66.77	69.91	66.79
subject10	58.15	47.93	41.85	64.48	66.55
						subject11	63.99	67.72	71.65	73.72	80.54
subject12	51.46	58.27	67.64	70.92	76.28
						subject13	51.58	59.39	60.95	63.99	71.41
subject14	77.86	78.82	79.44	86.88	87.23
						subject15	78.95	79.37	93.07	95.01	96.47
平均值	65.23	69.27	73.65	77.91	81.25

表3 s2→s3识别准确率(％)

试次	LSR	sLSR	FLSR	AFLSR	本发明
						subject1	59.73	62.09	71.41	73.92	80.24
subject2	45.86	80.22	86.73	86.01	91.50
						subject3	60.27	61.39	70.81	71.78	78.59
subject4	74.79	79.39	77.65	78.76	87.71
						subject5	70.92	71.22	71.90	78.95	88.70
subject6	75.73	79.71	87.43	89.10	91.73
						subject7	77.14	78.24	88.59	88.93	93.80
subject8	74.93	74.94	77.11	81.37	91.85
						subject9	51.82	55.87	59.78	81.37	69.95
subject10	61.56	64.13	71.27	72.87	76.28
						subject11	69.83	54.51	49.36	52.31	60.71
subject12	70.80	72.21	72.74	79.57	81.27
						subject13	51.26	52.66	53.01	67.03	79.44
subject14	84.23	85.84	90.69	94.04	95.86
						subject15	80.59	81.27	92.88	94.89	98.91
平均值	67.30	70.25	74.76	79.39	84.44

Claims (7)

1.具有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，其特征在于：包括以下步骤：

步骤1、采集多个被测者的情感脑电数据；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及其对应的带标记样本标签矩阵Y_l；

步骤2、在与步骤1的采集时间不同的时间段，采集被测者的情感脑电数据；并进行预处理和特征提取，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；

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；异常判定因子t，使得模型在优化过程中能够自适应发现样本中的异常点，并将其动态删除，从而防止模型向异常数据偏移；

方向矩阵D与标签重标定矩阵R，使得模型可以在优化过程中通过样本类别的估计获取样本标签的重标定位置；方向矩阵D用于控制标签重标定的方向，对于带标记样本，其对应方向矩阵的列d_i可以由标签直接计算得到；对于无标记样本，其对应方向矩阵的列d_i通过对标签的估计得到；

3-1.构建目标函数如下：

其中，t_i为异常判定因子向量t中第i个元素，矩阵W＝ΘV；矩阵V为最小二乘的系数矩阵；矩阵Θ为特征权重矩阵，向量x_i为样本矩阵X中的第i列，表示第i个样本；向量b为最小二乘中的偏置项；向量y_i为标签矩阵Y的第i列，为第i个样本对应标签的one-hot编码；r_i为标签重标定矩阵R的第i列；λ为正则系数；n表示样本总数；约束条件中，k为预设的正常样本数量；

3-2.固定Y_u,t,R，更新矩阵W和向量b；

3-3.固定Y_u,W,b,R，更新异常判定因子向量t；

3-4.固定Y_u,W,b,t，更新标签重标定矩阵R；

3-5固定t,W,b,R，更新无标记样本标签矩阵Y_u；

步骤4、设定正则系数λ和正常样本数量k的值以及目标函数阈值，并将样本矩阵X代入目标函数，对目标函数中的变量W,V,Θ,b,Y_u,D,R,t进行联合迭代优化，得到更新后的无标记样本标签矩阵Y_u；

步骤5、根据步骤4得到的无标记样本的标签Y_u确定被测者在步骤2的脑电采集过程中的情感类别。

2.根据权利要求1所述的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，其特征在于：所述正则系数λ的取值为[2^-10,2¹⁰]。

3.根据权利要求1所述的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，其特征在于：所述正常样本数量k的取值为样本总数的80％-95％。

4.根据权利要求1所述的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，其特征在于：在优化过程中，异常判定因子t_i的取值是二值化的；当t_i为0时，说明当前样本为异常样本，其损失在计算中被舍弃；反之，t_i为1时，样本则被判定为正常。

5.根据权利要求1所述的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，其特征在于：步骤3-2中，向量b的更新公式为：

其中，Z＝Y+(2Y-11^T)⊙R；T＝diag(t)；

矩阵W的更新公式为：

W＝(XKX^T+λQ)^-1XKZ^T

其中，函数diag(·)为将向量构造为对角阵；

矩阵I为单位阵；矩阵Q为对角阵，其对角线上第i个元素/>

d表示脑电特征数量。

6.根据权利要求1所述的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，其特征在于：步骤3-3中异常判定因子向量t的获取过程如下：

定义er_i为第i个样本的损失，其计算公式如下：

对所有样本的按照各自的er_i进行升序排序，设置er_i最小的k个样本对应的异常判定因子t_i为1，其余为0。

7.根据权利要求1所述的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，其特征在于：步骤3-4中标签重标定矩阵R的获取过程如下：

当Y_u,W,b,t固定时，目标函数简化为：

其中，P＝W^TX+b1^T-Y，D＝2Y-11^T；

标签重标定矩阵R的优化方式为：

R＝max(P./B,0)

其中./表示两个同型矩阵逐个元素相除。

Images