基于跨设备前额脑电情绪识别的方法和系统与流程

技术特征：
1.基于跨设备前额脑电情绪识别的方法，其特征在于：包括以下步骤：s1、采集受试者的前额脑电数据，将一种脑电采集设备采集到的脑电数据作为源域，将另一种脑电采集设备采集到的脑电数据作为目标域，源域带有情绪标签，目标域不带有情绪标签；s2、对采集到的源域脑电数据、目标域脑电数据进行切分预处理；s3、将预处理后的源域脑电数据、目标域脑电数据一起输入多空间域适应网络模型，通过多空间域适应网络模型提取多空间的脑电信号特征，计算源域脑电数据和目标域脑电数据之间的多空间的域适应损失，计算源域脑电数据的分类损失；s4、最小化多空间域适应网络总损失，直至多空间域适应网络模型收敛；s5、将待分类的目标域脑电数据输入收敛的多空间域适应网络模型中进行测试，输出对目标域中脑电数据所属类别的预测情绪标签。2.根据要求1所述的基于跨设备前额脑电情绪识别的方法，其特征在于：步骤s3的多空间域适应网络模型包括分解层、构造层、图卷积层、全连接层和分类层，源域、目标域的脑电数据依次经过分解层、构造层、图卷积层，最后将输出的两个全连接层拼接在一起输入分类层。3.根据要求2所述的基于跨设备前额脑电情绪识别的方法，其特征在于：分解层为一个预训练好的自动编码器，输入层维数为3，对应前额三导联脑电信号，输出层维数对应多道脑源信号。4.根据要求2所述的基于跨设备前额脑电情绪识别的方法，其特征在于：构造层包括一个邻接矩阵，用于表示多个脑区之间的连通关系，一个脑区用一个节点来表示，每个节点上都有对应的节点特征；节点特征为一个特征矩阵，用于对提取到的多通道脑源信号在时序上进行卷积压缩，无重叠提取脑电信号的时序特征。5.根据要求2所述的基于跨设备前额脑电情绪识别的方法，其特征在于：图卷积层包括三层图卷积，输入层维数对应映射层输出的特征矩阵的维度，对构造层得到的脑电时-空域连通图进行图卷积，提取非欧式空间的特征。6.根据要求2所述的基于跨设备前额脑电情绪识别的方法，其特征在于：全连接层包括欧式空间的特征向量和非欧式空间的特征向量，欧式空间的特征向量包括多通道脑源信号中的空间、时间特征，非欧式空间的特征向量包括多通道脑源信号中的空间、时间特征和各通道之间的连通性特征。7.根据要求1所述的基于跨设备前额脑电情绪识别的方法，其特征在于：步骤s4所述最小化多空间域适应网络总损失的运算函数为：其中，n
s
表示源域的总样本数，表示源域中第i个样本，表示第i个样本的预测标签，表示源域中第i个样本对应的真实标签，γ
m
θ(x)表示源域(x
s
)和目标域(x
t
)在不同空间中的表示，m＝2；λ是权重系数，λ＞0。8.根据要求7所述的基于跨设备前额脑电情绪识别的方法，其特征在于：步骤s4具体包
括：将源域的脑电数据打包为一个epoch输入多空间域适应网络进行训练，对数据进行批处理，通过adam优化器最小化多空间域适应网络总损失函数，λ随着多空间域适应网络训练不断变化，直至多空间域适应网络最终收敛。9.基于跨设备前额脑电情绪识别的系统，其中特征在于：包括：采集处理模块，用于采集受试者的前额脑电数据，将一种脑电采集设备采集到的脑电数据作为源域，将另一种脑电采集设备采集到的脑电数据作为目标域，源域带有情绪标签，目标域不带有情绪标签；数据预处理模块，用于对采集到的源域脑电数据、目标域脑电数据进行切分预处理；多空间域适应网络模块，用于将预处理后的源域脑电数据、目标域脑电数据一起输入多空间域适应网络模型，通过多空间域适应网络模型提取多空间的脑电信号特征，计算源域脑电数据和目标域脑电数据之间的多空间的域适应损失，计算源域脑电数据的分类损失；模型优化模块，用于最小化多空间域适应网络总损失，直至多空间域适应网络模型收敛；测试输出模块，用于将待分类的目标域脑电数据输入收敛的多空间域适应网络模型中进行测试，输出对目标域中脑电数据所属类别的预测情绪标签。10.根据要求9所述的基于跨设备前额脑电情绪识别的系统，其特征在于：多空间域适应网络模型包括分解层、构造层、图卷积层、全连接层和分类层，源域、目标域的脑电数据依次经过分解层、构造层、图卷积层，最后将输出的两个全连接层拼接在一起输入分类层；构造层包括一个邻接矩阵，用于表示多个脑区之间的连通关系，一个脑区用一个节点来表示，每个节点上都有对应的节点特征；节点特征为一个特征矩阵，用于对提取到的多通道脑源信号在时序上进行卷积压缩，无重叠提取脑电信号的时序特征；图卷积层包括三层图卷积，其中输入层维数对应映射层输出的特征矩阵的维度，对构造层得到的脑电时-空域连通图进行图卷积，提取非欧式空间的特征。

技术总结
本发明涉及信号处理技术领域，尤其是基于跨设备前额脑电情绪识别的方法和系统，包括步骤：将预处理后的源域脑电数据、目标域脑电数据一起输入多空间域适应网络模型，通过多空间域适应网络模型提取多空间的脑电信号特征，计算源域脑电数据和目标域脑电数据之间的多空间的域适应损失，计算源域脑电数据的分类损失；最小化多空间域适应网络总损失，直至多空间域适应网络模型收敛；将待分类的目标域脑电数据输入收敛模型中进行测试，输出对目标域中脑电数据所属类别的预测情绪标签。本发明通过结合多空间域适应网络模型，可以消除个体差异和设备差异，提高了模型的泛化能力，在跨设备研究中取得了较好的分类效果。研究中取得了较好的分类效果。研究中取得了较好的分类效果。


技术研发人员：舒琳 邝锋 徐向民
受保护的技术使用者：中山市华南理工大学现代产业技术研究院
技术研发日：2021.11.22
技术公布日：2022/3/7