(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 202111578215.8 (22)申请日 2021.12.2 2 (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　李幸　张怿恺　 (51)Int.Cl. A61B 5/372(2021.01) A61B 5/16(2006.01) G06F 17/13(2006.01) G06F 17/14(2006.01) G06N 20/00(2019.01) (54)发明名称 一种联合判别子空间发掘与半监督脑电情 感识别方法 (57)摘要 本发明公开了一种联合判别子空间发掘与 半监督脑电情感识别方法。 步骤如下： 引导被试 者观看带有明显情感倾向的视频来采集脑电数 据。 对所获得的脑电数据进行预处理和特征提取 后， 生成样本矩阵。 构建联合子判别空间与半监 督学习模型， 通过将样本矩阵投影到新的特征空 间来减小脑电数据之间的类内离散度和增大类 间离散度， 通过对无标记样本打上伪标签之后加 入到训练模 型中进行半监督学习。 根据目标函数 通过固定两个变量、 更新另 一个变量的规则， 实 现联合优化， 通过不断的迭代优化子判别空间， 提高情感识别的准确性。 研究了组合投影矩阵的 物理意义， 得到情绪识别中的脑电激活模式， 获 得与情感效应发生相关的关键频 段和导联。 权利要求书2页 说明书7页 附图1页 CN 114343674 A 2022.04.15 CN 114343674 A 1.一种联合判别子空间发掘与半监 督脑电情感识别方法， 其特 征在于： 步骤1、 采集被试者在K种不同情绪状态下的脑电数据； 步骤2、 对步骤1采集得到的脑电数据进行预处理和特征提取， 每一个样本矩阵X由一个 被试者的脑电特征组成， 标签 向量y为样本矩阵X中脑电特征对应的情感标签； 选取两个不 同的样本矩阵， 分别作为有标签数据和无 标签数据； 步骤3、 构建一种联合判别子空间发掘与半监督脑电情 感识别方法的机器学习模型， 将 投影矩阵A映射得到的判别子空间与半监督学习模型整合至一个统一的框架中， 得到联合 优化的目标函数； 步骤4、 首先初 始化伪标签Yu和变量D， 然后根据步骤3得到的联合优化的目标函数， 通过 固定两个变量、 更新另一个变量的方法来得到所有变量的更新规则， 依 次对目标函数式中 无标记样本Yu、 投影矩阵A和连接矩阵B进行优化， 多次重复该优化过程， 实现联合迭代优 化； 步骤5、 将步骤2得到的样本矩阵X输入到经过步骤4迭代优化后的目标函数中， 获得对 应的预测 值标签， 该预测值标签即为样本对应的被试者在采集时刻的情感状态， 将得到的 伪标签加入到模型的训练过程中， 实现半监 督学习。 2.根据权利要求1所述一种联合判别子空间发掘与半监督脑电情感识别方法， 其特征 在于： 步骤3具体包括以下步骤： 3‑1.建立嵌入有 描述因子v和 θ 目标函数， 如式(1)所示； 式(1)中， 为输入的样本矩阵， 投影矩阵 用于将原始数据投影到一个 更好的判别子空间， 投影矩阵 用于将判别子空间中的数据与标签信息进行连接， 表示标签矩阵对应的信息， 其中n ＝l+u， l表示有标签样本的数量， u表示无标签样 本的数量， 表示无标签样本对应的伪标签； || ·||21表示l21范数； λ表示正则项参 数； 3‑2.进一步将目标函数式(1)改写成如式(2)所示： 式(2)中， Tr( ·)为矩阵的迹运算； 是一个对角矩阵， 其中每个对角元素的值 为 式(3)中， gi表示矩阵G＝A*B*的第i行元素， ||·||2表示l2范数。 3.根据权利要求2所述一种联合判别子空间发掘与半监督脑电情感识别方法， 其特征 在于： 步骤4具体包括以下步骤： 4‑1.通过固定A、 B来更新Yu， 令 将式(2)改写成如(4)所示： 通过逐行求解Yu， 令 表示Yu的第i行， 式(4)表示成式(5) 权　利　要　求　书 1/2 页 2 CN 114343674 A 2根据式(5)， 下面求解过程中将ci和yi的转置用ci和yi表示， 由拉格朗日乘子法可得式 (6)； 令 表示yi的最优解， η*、 β*为最优解 对应的参数， 由K KT条件可 得yi的最优解 为： 其中 4‑2.通过固定A、 Yu来更新B， 将式(2)改写成如(8)所示： 式(8)中， 对矩阵B进行求 导并令导数为0， 得到B的更新 规则为式(9)： B＝(AT(XXT+λD)A)‑1ATXY    (9) 4‑3.通过固定 Yu、 B来更新A， 将式(9)带入到式(2)中得到式(10)： 令St＝XXT， Sb＝XYYTXT， 其中St与Sb分别表示线性判别分析中的类内离散度和类间离散， 则变量A的表示 为式(11)： 变量A为最优解。 4.根据权利要求1所述的一种联合判别子空间发掘与半监督脑电情感识别方法， 其特 征在于所述的情绪类别包括： 高兴、 悲伤、 中性、 恐惧、 恶心。 5.根据权利要求1所述的一种联合判别子空间发掘与半监督脑电情感识别方法， 其特 征在于： 步骤2中预处 理的过程包括以下子步骤： 2‑1.将脑电数据下采样至200Hz后并对其进行带通滤波至1 ‑50Hz范围； 根据5频段法， 将其划分为Delta、 Theta、 Alpha、 Beta和Gam ma五个频 段 2‑2.针对这5个频段的脑电数据分别进行时间窗口为4秒且不重叠的短时傅立叶变换， 提取微分熵特 征h(X)如式(20)所示： h(X)＝‑∫xf(x)ln(f(x))dx    (12) 式(20)中， X为输入的样本矩阵， x为输入的样本矩阵中的元 素； f(x)为 概率密度函数； 经过更新后的微分熵特 征h(X)如式(21)所示； 式(21)中， σ 为 概率密度函数的标准差； μ为 概率密度函数的期望 。 6.根据权利要求1所述的一种样本与特征质量联合量化评估的脑电疲劳检测方法， 其 特征在于： 所述的脑电数据采集采用62导联， 选用5个频段； 5个频段分别为1 ‑4Hz、 4‑8Hz、 8‑ 14Hz、 14‑31Hz、 31‑50Hz。 7.根据权利要求1所述的一种联合判别子空间发掘与半监督脑电情感识别方法， 其特 征在于： 将步骤4中的投影矩阵A、 B用来探索情 绪识别中的激活模式， 令矩阵G＝A  B， 表示每一维特征的重要性， 每个特征维度的重要性通过其归一化的l2‑范数来衡量， 通过获 得的θ 得到与脑电情感识别的关键频 段和脑区。权　利　要　求　书 2/2 页 3 CN 114343674 A 3