(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111491551.9 (22)申请日 2021.12.08 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市钱塘新区白杨 街道2号大街1 158号 (72)发明人 彭勇　刘鸿刚　 (51)Int.Cl. G06K 9/00(2022.01) G06N 20/00(2019.01) A61B 5/00(2006.01) A61B 5/16(2006.01) A61B 5/369(2021.01) (54)发明名称 一种实时估计脑电情感特征的跨被试迁移 学习方法 (57)摘要 本发明公开了一种实时估计脑电情感特征 的跨被试迁移学习方法， 包括如下步骤： 步骤1脑 电数据采集， 步骤2脑电数据进行预处理， 步骤3 建立目标函数， 步骤4迭代优化目标函数， 步骤5 将步骤2中完成预处理的脑电数据输入至迭代优 化后的目标函数中， 通过数学模 型不断迭代优化 目标标签， 能够根据脑电数据准确地识别被试者 的情感状态， 另外， 针对的是脑电研究领域较难 的跨被试情景， 通过半监督标签传播以及域适应 联合迭代优化， 半监督标签传播优化得到更好的 目标标签， 以得到更加优秀的映射矩阵提高迁移 效果， 使得源域数据和目标域数据更加接近， 不 断迭代、 优化， 从而得到更加优秀的情感状态识 别结果， 提高跨被试迁移进行情感识别的准确 性。 权利要求书3页 说明书8页 附图1页 CN 114330422 A 2022.04.12 CN 114330422 A 1.一种实时估计脑电情感特 征的跨被试迁移学习方法， 其特 征在于， 包括如下步骤： 步骤1脑电数据采集 步骤2脑电数据进行 预处理 对采集到的脑电数据进行预处理， 每一个被试者的脑电数据对应一个样本矩阵， 每一 个样本矩阵都会有一个对应的标签向量， 选取两个不同的样本矩阵， 分别作为源域数据和 目标域数据； 步骤3建立目标函数 分别建立特征迁移学习的域适应模型和基于最小二乘的半监督线性 回归模型， 并整合 至一个统一的框架中， 得到优化模型， 并从优化模型中获取 联合优化的目标函数； 步骤4迭代优化目标函数 根据步骤3得到的目标函数， 依次对所述基于最小二乘的半监督线性回归模型中的权 重矩阵W、 偏置向量b以及所述特征迁移学习的域适应模型中的映射矩阵P、 目标域数据标签 Ft进行多次迭代优化； 步骤5将步骤2中完成预处 理的脑电数据输入至迭代优化后的目标函数中。 2.根据权利要求1所述的一种实时估计脑电情感特征的跨被试迁移学习方法， 其特征 在于， 所述 步骤1中， 通过诱 导被试者产生 不同的情绪变化， 并采集 其脑电数据。 3.根据权利要求1所述的一种实时估计脑电情感特征的跨被试迁移学习方法， 其特征 在于， 所述预处理包括按固定频率对脑电数据进行采样， 并将采样的脑电数据通过带通滤 波器滤除噪声和伪影。 4.根据权利要求3所述的一种实时估计脑电情感特征的跨被试迁移学习方法， 其特征 在于， 所述步骤2还包括将滤除噪声和伪影后的脑电数据按n个频段进行分类， 分别计算每 个频段下的微分熵， 所述 微分熵作为样本矩阵中的脑电特 征。 5.根据权利要求3所述的一种实时估计脑电情感特征的跨被试迁移学习方法， 其特征 在于， 所述带通滤波器为1h z‑75hz带通滤波器。 6.根据权利要求4所述的一种实时估计脑电情感特征的跨被试迁移学习方法， 其特征 在于， 滤除噪声和 伪影后的所述脑电数据按Delta(1 ‑4Hz)， Theta(4‑8Hz)， Alpha(8 ‑14Hz)， Beta(14‑31Hz)和Gamma(31‑50Hz)分为5个频 段。 7.根据权利要求1所述的一种实时估计脑电情感特征的跨被试迁移学习方法， 其特征 在于， 所述特 征迁移学习的域 适应模型为： 其中， 作为将源域数据和目标域数据映射到同一共享子空间的映射矩阵， p 表示目标维度， d表示原始维度， 为增广源域数据标签， Ys为源域 数据标签， 并采用one ‑hot编码形式， c为样本矩阵中情感类别数， 为增广目标域数据标签， ns， nt分别为源域数据和目标域数据的样本量， n＝ns+nt表示总的 样本个数，权　利　要　求　书 1/3 页 2 CN 114330422 A 2为对角矩阵， Ns， Nt均为对角矩阵， 其中， 第k个对角元素为第k类源域或者目标域数据 样本数量的倒数， 为中心矩阵， I为单位阵， 表示Froben ius范数的计算， 上 标T表示转置； 所述基于最小二乘的半监 督线性回归 模型为： s.t.Ft≥0， F1＝1              (2) 其中， 其中X为样本 矩阵； 将所述特征迁移学习的域适应模型和所述基于最小二乘的半监督线性回归模型进行 联合优化后， 进 而得到优化模型为： 其中， α， β 均为 参数。 8.根据权利要求7所述的一种实时估计脑电情感特征的跨被试迁移学习方法， 其特征 在于， 所述步骤4中在迭代优化 目标函数前， 需对目标域标签、 映射矩阵和权重矩阵进行初 始化， 其中目标域标签Ft初始化 为1/k,映射矩阵P和权 重矩阵W随机初始化。 9.根据权利要求7或8所述的一种实时估计脑电情感特征的跨被试迁移学习方法， 其特 征在于， 步骤4中联合迭代的具体方法为： 固定映射矩阵P， 权 重矩阵W， 目标域标签Ft， 更新偏置向量b， 其目标函数为： 求解公式(4)即可 得到更新后的偏置向量b； 固定映射矩阵P， 偏置向量b， 目标域标签Ft， 更新权 重矩阵W， 其目标函数为： 求解公式(5)即可 得到更新后的权 重矩阵W， 固定映射矩阵P， 偏置向量b， 权 重矩阵W， 更新目标域标签Ft， 其目标函数为：权　利　要　求　书 2/3 页 3 CN 114330422 A 3