特征贡献度差异化脑电数据重构的情感激活模式发掘方法与流程

1.本发明属于脑电信号处理技术领域，具体涉及特征贡献度差异化脑电数据重构的情感激活模式发掘方法。


背景技术：

2.情感是人类对外界刺激或自身刺激的心理与生理反应，对其认知、决策、效率等各个方面有密切联系。因此，情感识别是情感计算领域中尤为基础与重要的环节，让计算机准确识别人的情感状态也更是实现和谐人机交互的前提。中枢神经系统神经元活动的头皮电位反应(简称：脑电)是一种记录人类大脑活动的电信号，作为一种源自于中枢神经系统的生理信号，具有不可伪装、客观、真实等特点，因此脑电信号已然成为了情感识别的金标准。
3.作为大脑的一种高级活动，情感的产生需要依靠大脑各个区域协同作用才能完成。情感具有稀疏性和不频繁性，脑电则属于典型的多通道多节律信号(多通道指使用多导联的方式测量脑电信号，多节律指使用带通滤波器对脑电信号进行分频)，因此，情感脑电信息在大脑哪些通道与节律分布显著是当前研究的重点问题。
4.传统方法仅从机器学习与模式识别角度出发，忽略了各个频段、导联的数据对不同情感的不同表现能力。因此，在脑电情感识别任务中此方法效果较差，无法较好地满足人机交互对情感高精度识别的需求；且缺乏解释性，无法获得脑电情感的激活模式。


技术实现要素：

5.针对上述问题，本发明提出了特征贡献度差异化脑电数据重构的情感激活模式发掘方法。本方法通过引入差异化表示向量θ，并将其与数据重构模型进行融合，提高了其识别准确性，同时在完成识别任务的基础上，借助差异化表示向量，量化表征了脑区及频段的重要性，增强本方法的可解释性。
6.本发明提供如下技术方案：
7.步骤1、采集用户在不同时段上的c种情感状态下的脑电数据。
8.步骤2、对步骤1采集到的数据进行特征标记及预处理，其中每一个样本矩阵a由一个被试者的脑电频域数据组成，标签向量s记录a中每个样本对应的情感状态标签,对同一用户选择不同时段分别作为字典与目标数据
9.步骤3、建立特征贡献度差异化数据重构模型。
10.步骤4、根据步骤3建立的模型，对差异化表示因子θ，线性表示系数α进行联合迭代优化。
11.步骤5、利用已经训练好的α、θ,分别计算目标数据在各类别下的重构误差，选取重构误差最小的一类作为识别结果。
12.13.a
s(k)
代表字典as中的第k类情感对应的样本，αk为a
s(k)
对应的线性表示系数，rk为该类别下的重构误差。
14.步骤6、利用在步骤5中获得的θ，通过以下两个公式寻找在当前任务下的脑电关键频段与关键导联，获取脑电激活模式。式中表示第q个导联的重要性，ω(k)表示第k个频段的重要性，重要性数值越大表示该特征越重要。
15.ω(k)＝θ
(k-1)*62 1
θ
(k-1)*62 2

…
θ
k*62
ꢀꢀꢀ
(8)
[0016][0017]
作为优选，步骤3还包括以下子步骤：
[0018]
步骤3.1、建立数据重构模型
[0019][0020]
公式(1)中，为目标数据a
t
中的一个样本，d为频段特征的维度，为as对应的线性表示系数，αi对应α中的第i个元素(i＝1,2,3
…
n)，λ1为线性表示系数α的参数，c为情感类别总数。为d个特征的差异化表示因子组成的向量，为一个对角阵，
[0021]
步骤3.2、建立差异化特征贡献度模型
[0022][0023]
公式(2)中，为差异化表示向量，b＝(y-a
t
α)
⊙
(y-a
t
α)，d表示特征数量，
⊙
定义为向量中对应元素之积，λ2为θ的参数。
[0024]
步骤3.3、联合步骤3.1与步骤3.2构建的两个模型，将数据重构模型与差异化特征贡献度模型放置在同一框架下进行迭代优化，优化模型为公式(3)：
[0025][0026]
作为优选，步骤4还包括以下子步骤：步骤4.1、初始化差异化表示因子设定阈值与最大迭代次数。
[0027]
步骤4.2、利用得到的θ计算得到θ，利用步骤3.1中的模型对线性表示系数α进行更新。
[0028]
目标函数为：
[0029][0030]
步骤4.3、利用步骤4.1学习得到的α得到b，根据步骤3.2的模型，更新差异化表示矩阵θ。
[0031]
目标函数为：
[0032]
[0033]
步骤4.4利用更新过后的α、θ，带入整体目标函数进行求解，得到误差。
[0034]
目标函数为：
[0035][0036]
步骤4.5、重复步骤4.2，4.3，4.4，对α、θ进行联合迭代优化。
[0037]
本发明具有以下优势：本方法对对α、θ进行联合迭代优化的过程经过经过实验测试，经过较短时间即可实现目标函数的收敛，复杂度较低，可实时得到结果。通过实验，本方法在当前脑电公共数据集上取得了良好的识别准确率，其数值稳定且大致在85％左右，效果良好。本方法利用差异化表示因子θ，在提高识别精度的同时获得了脑电频域数据中频段与导联的重要性信息，使得方法可解释提高，并能为医学、认知神经科学领域提供启发与印证。
附图说明
[0038]
图1为本方法的流程图。
具体实施方式
[0039]
以下结合附图对本发明作深入解释。
[0040]
实施例1
[0041]
如图1所示，特征贡献度差异化脑电数据重构的情感激活模式发掘方法，其中我们以62导联、5频段脑电数据为例进行说明，但本方法对任意格式的脑电数据均适用；具体包括以下步骤：
[0042]
步骤1、采集脑电数据
[0043]
被试者在外界环境干扰较微弱的情况下，休息片刻，待情绪稳定后，佩戴脑电极帽，观看指定电影片段，诱发脑电情感，通过脑电帽的不同电极获取被试对应脑区的电位数据，作为原始的脑电情感数据集。
[0044]
步骤2、数据清洗
[0045]
设置采样频率fs,对步骤1获取的脑电数据进行时域采样，得到其离散样本。考虑到脑电数据微弱、易被干扰的特性，利用带通滤波器对获得的原始数据集进行滤波，去除噪声以及伪影，获取所需频率下的数据，并划分频段。在此，本方法以1hz-70hz滤波方式、划分5频段((delta(1-4hz)，theta(4-8hz)，alpha(8-14hz)，beta(14-31hz)和gamma(31-50hz))为例进行说明。
[0046]
步骤3、数据预处理与划分
[0047]
根据步骤2所获得的数据，我们可以使用不同方法对脑电特征进行提取，包括利用离散傅里叶变换、高阶谱、功率谱等等，本方法对任意的频域数据均适用。在此，本方法以微分熵特征为例，根据如下公式，对其进行变换。
[0048]
对步骤2所获得的数据计算其微分熵特征(de)，并将其作为样本矩阵a。
[0049][0050]
其中，μ为概率密度函数的期望,σ为概率密度函数的标准差。
[0051]
同时，记录数据标签，并对脑电数据进行划分，对同一用户选择不同时段分别作为字典与目标数据
[0052]
通过预处理，可以很好的起到提升脑电数据质量的作用，提高信噪比，降低干扰，从而保证迁移过程的可靠性。
[0053]
步骤4、建立特征贡献度差异化数据重构模型。引入差异化因子θ，量化的表示各维度脑电数据重要性，从而加强在识别过程中抑制与时段相关性较强的特征，提高算法准确率。
[0054]
步骤4.1、建立数据重构模型
[0055][0056]
模型中，为目标数据a
t
中的一个样本，d为频段特征的维度，为as对应的线性表示系数，αi对应α中的第i个元素(i＝1,2,3
…
n)，λ1为线性表示系数α的参数，c为情感类别总数。为d个特征的差异化表示因子，为一个对角阵，
[0057]
步骤4.2、建立差异化特征贡献度模型
[0058][0059]
其中，为差异化表示因子，b＝(y-a
t
α)
⊙
(y-a
t
α)，其中，d为特征数量，
⊙
定义为向量中对应元素之积，λ2表示θ对应的参数。
[0060]
步骤4.3、联合步骤4.1与步骤4.2构建的两个模型，将数据重构模型与差异化特征贡献度模型放置在同一框架下进行迭代优化，优化模型为：
[0061][0062]
步骤5、根据步骤3建立的模型，对差异化表示因子θ，线性表示系数α进行联合迭代优化。
[0063]
步骤5.1、初始化差异化表示因子设定阈值与最大迭代次数。
[0064]
步骤5.2、利用得到的θ计算得到θ，利用步骤4.1中的模型对线性表示系数α进行更新。
[0065]
目标函数为：
[0066]
[0067]
该目标函数为无约束优化问题，采用直接对α求导的方法解决。
[0068]
令：
[0069][0070][0071]
从而得到：
[0072][0073]
其中：
[0074]
令公式(17)导数值等于0，得到
[0075][0076]
利用此公式对α进行迭代优化，得到当前θ下α的最优值
[0077]
步骤5.3、利用步骤5.1学习得到的α得到b，b＝(y-a
t
α)
⊙
(y-a
t
α)，
⊙
定义为向量中对应元素之积，根据步骤4.2的模型学习，更新差异化表示矩阵θ。
[0078]
目标函数为：
[0079][0080]
该目标函数为不等式约束下的优化问题，采用拉格朗日乘子法进行解决，构造拉格朗日函数如下：
[0081]
令
[0082][0083]
其中β、γ为拉格朗日乘子。
[0084]
假设β
*
、γ
*
为对应方程的最优解，利用kkt条件，得到以下方程：
[0085][0086]
将公式(22)写成向量形式得
[0087]
θ
*
m
*-β
*
1-γ
*
＝0
ꢀꢀꢀ
(23)
[0088]
带入约束条件θ
t
1＝1得到
[0089][0090]
结合(22)(24)两式，得到：
[0091][0092]
令：
[0093][0094][0095]
(22)可简化为
[0096][0097]
其标量形式为：
[0098][0099]
结合(21)，可得：
[0100][0101]
其中(f(x))

＝max(f(x),0)
[0102]
对(30)进行变换后可得：
[0103][0104]
此时，若可以确定最优则最优θ
*
可根据(31)求得，因此上述公式可改写为
[0105][0106]
根据约束条件(23)，定义函数：
[0107][0108]
考虑到的最优解一定满足进而得到其迭代公式：
[0109][0110]
根据公式(34)，利用牛顿法进行迭代，即可求出依据公式(31)可得到θ。
[0111]
步骤5.4利用更新过后的α、θ，带入整体目标函数进行求解，得到此时整体的误差。
[0112]
目标函数为：
[0113]
[0114][0115]
步骤5.5、重复多次步骤5.2，5.3，5.4，对α、θ进行联合迭代优化，当整体目标函数达到阈值，或超过预先设置的最大迭代次数时进入步骤6。
[0116]
步骤6、利用已经训练好的α、θ,分别计算字典中各类别数据对目标数据的重构误差，选取重构误差最小的一类作为识别结果。
[0117][0118]
代表字典as中的第k类情感对应的样本，αk为a
s(k)
对应的线性表示系数，rk为该类别下的重构误差。此预测结果即为该目标样本对应的情感标签。
[0119]
步骤7、利用在步骤6中获得的θ，通过以下两个公式寻找在当前任务下的关键频段与关键导联，获取脑电情感激活模式。式中表示第q个导联的重要性，ω(k)表示第k个频段的重要性，重要性数值越大表示该特征越重要。在此我们以62导联，5频段为例说明。
[0120][0121]
通过各频段与各导联重要性，可得到该任务下的脑电地形图以及频段权值柱状图，可视化其表现能力。