CN114330424B 一种基于自适应图学习的半监督脑电情感识别方法 （杭州电子科技大学）

一种基于自适应图学习的半监督脑电情感本发明提供一种基于自适应图学习的半监被试者分别在诱发情感状态场景下进行脑电数3、建立基于自适应图学习的半监督脑电情感识据脑电情感识别模型的投影矩阵挖掘脑电情感2步骤2、对步骤1所得的所有脑电数据进行预处理和特ne制自适应图调整幅度的超参数；表示向量的2-范数的平方，其具体计算方法为步骤5、根据脑电情感识别模型的投影矩阵W挖掘脑电情2.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征3.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征在于，所述的步骤2中所述的已标注标签矩阵Fl通过被试者在脑电数据采集过程中所观看34.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征步骤2-1、将脑电数据采样至200Hz后并对其进行带通滤波至1-50Hz范围；根据5频段步骤2-2、针对这五个频段的脑电数据分别进行时5.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征6.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征r.-re7.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征8.根据权利要求1所述的一种基于自适应图学习的半监督脑电情感识别方法，其特征45[0002]随着我国人工智能技术的发展，研究如何实现高效情绪识别对于实现人机交互、据样本标签之间的欧式距离，图在更新时可通过已有的未标注样本标签计算结果进行调[0008]步骤3、建立基于自适应图学习的半监督脑电情感识别模型目标函数如式(1)所6n表示)，d表示脑电情感数据维度；xeR表示脑电情感数据的第i个样本，电情感数据维度，m表示低维映射空间的维度；seR*表示脑电情感识别模型自适应图矩阵，具体计算方法为L＝D-S，其中是一个关于S的对角矩阵，具体定义为α是用来控制自适应图S离散度的超参数；β是用来控制投影矩阵W稀疏性的超算方法为表示矩阵的2,1-范数的平方，具体计算方法为[0018]作为优选，步骤2中所述的已标注标签矩阵Fl通过被试者在脑电数据采集过程中7[0021]步骤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[0033]求(5)式的拉格朗日函数L(W,O):[0035]对L(W,O)关于W求导并令导数为0可得：8W,(9)[0041]根据(9)式可得投影矩阵W由的最小m个特征值对应的特征向量fe9[0062]进行脑电情感识别模型训练时根据邻接矩阵S、投影矩阵W和标签矩阵F的更新公[0073]本发明解决脑电情感识别以及脑电数据标注困难这两个重要问题基于如下的出注的脑电情感数据就能训练出效果理想的脑电情感[0078]步骤2、对步骤1所得的所有脑电数据进行预处理。本发明基于62导联、5频段频段的划分也遵循具有生理学意义的5频段划分；脑电信号最常用的特征为功率谱密度和n表示)，d表示脑电情感数据维度，xeR表示脑电情感数据的第i个样本，电情感数据维度，m表示投影后脑电情感数据维度；表-h-表示脑电情感数据的拉普拉斯矩阵，具体计算方法为L=De其中He"是一个居中矩阵，具体定义为由于理论上存在，[0097]求(23)式的拉格朗日函数L(W,O):[0105]根据(27)式可得投影矩阵W由的最小m个特征值对应的特征向[0109]式中，表示邻接矩阵S的第i行。令付=(gr-矿)+标签矩阵F的更新公式进行模