买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州电子科技大学

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。

主权项：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c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，将投影矩阵映射得到的判别子空间脑电数据与半监督情感识别模型整合至一个统一的框架中，得到联合优化的目标函数；3-1.建立矩阵分解形式AB的目标函数，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，表示l2范数的平方；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＝AB的第i行元素，||·||2表示l2范数；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；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 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： 其中η和β是分别对应5式中约束项yi1＝1和yi≥0的拉格朗日乘子；对6式使用KKT条件可得yi的最优解；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＝ATXXT+λDA-1ATXY94-3.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的更新规则表示为式11： 投影矩阵A、B用来探索情绪识别中的激活模式，令矩阵G＝AB，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，可以得到如下式子： 其中gi表示矩阵的第i行元素；通过获得的θ得到与脑电情感识别的关键频段和脑区；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。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种联合判别子空间发掘与半监督脑电情感识别方法