一种融合稀疏学习和二分法的情绪状态特征选择优化方法与流程

技术特征：
1.一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，所述方法包括：获取情绪状态表征较好的初始特征集，并作归一化处理，所述特征集根据预处理生理信号特性，进行特征提取，初步筛选出表征效果好的单特征组建特征集；利用稀疏学习算法，通过最小范数最小二乘方法求解稀疏学习系数以此来判别每类信号下的特征与目标类别间的相关性，并按每类特征的贡献度进行排序，结合二分法搜索出每类信号下不同的最优特征子集；把不同类生理信号下各自的最优特征子集进行融合，得到最优的情绪状态表征。2.根据权利要求1所述的一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，搜索出最优特征子集包括：进行稀疏学习，通过整理和分析特征集，构建特征矩阵d和类别信息矩阵s；利用最小范数最小二乘法计算稀疏权重系数，并构建稀疏系数矩阵h；依据稀疏系数矩阵h得出每个特征的特征分数f；依据特征分数f得到有序的特征集n
i
，结合二分法进行特征选择优化；对有序的特征集n
i
，依据缩进值δ拆分前向维度段n
f
和后向维度段n
b
，分别进行前向搜索和后向搜索，各自利用svm分类器进行分类；依据svm分类器的分类结果，比较前向维度段n
f
和后向维度段n
b
的性能，性能高的特征段将作为下一次迭代的当前维度n
i
；记录并比较多次迭代中最优的高性能特征段，挑出最优的高性能特征段n
p
作为该信号下的最优特征子集。3.根据权利要求1所述的一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，预处理生理信号的方法包括：提取相关生理信号，降低采样频率，去除基线和眼电伪迹并对各类生理信号进行数据划分。4.根据权利要求1所述的一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，提取的特征包括：几何平均、调和平均、峭度、最大值、平均值、中值、最小值、阈值、斜度、标准差和方差。5.根据权利要求4所述的一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，采用数据平滑处理和去趋势的方式进行特征提取。6.根据权利要求5所述的一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，所述数据平滑处理和去趋势的方式包括：移动标准差移动方差移动均值移动中位数mmad＝median(|a
i
‑
median(a)|)；其中，a是一个移动的向量，向量的长度为n，a
i
表示a中第i个向量值，μ表示均值。

技术总结
本发明公开了一种融合稀疏学习和二分法的情绪状态特征选择优化方法，包括获取特征集，并作归一化处理，所述特征集根据预处理生理信号特性，进行特征提取，初步筛选出表征效果好的单特征组建；利用稀疏学习算法，通过最小范数最小二乘方法求解稀疏学习系数以此判别每类信号下特征与目标类别间的相关性，并按每类特征的贡献度进行排序，结合二分法搜索出每类信号下不同的最优特征子集；把不同类生理信号下各自的最优特征子集进行融合，得到最优的情绪状态表征。本发明提出融合稀疏学习和二分法的方法，使每类信号下都具有各自不同的最优特征子集，有利于更客观的表征每类生理信号；融合不同生理信号下各自的最优特征子集，使得情绪的表征更加全面。使得情绪的表征更加全面。使得情绪的表征更加全面。


技术研发人员：潘礼正 王顺超 丁忆 赵路
受保护的技术使用者：常州大学
技术研发日：2021.07.09
技术公布日：2021/10/26