申请/专利权人：西南交通大学

申请日：2023-06-14

公开（公告）日：2024-03-19

公开（公告）号：CN117017288B

主分类号：A61B5/16

分类号：A61B5/16;A61B5/372;A61B5/00;G06F18/21;G06F18/241;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2023.11.28#实质审查的生效;2023.11.10#公开

摘要：本发明公开了一种跨被试情绪识别模型及其训练方法、情绪识别方法、设备，训练方法基于神经网络结构实现，神经网络结构包括两个独立且结构相同的子神经网络；训练方法包括以下步骤：S1：获取脑电原始信号，并对其进行微分熵特征提取；S2：将提取的微分熵特征划分为多个数据组，并将其中一个作为目标域数据，剩余的作为源域数据；S3：假设当前源域数据分别为Si和Sj，目标域数据为T，其中，Si为子神经网络一的输入，Sj为子神经网络二的输入；S4：建立子神经网络的目标函数；S5：建立跨被试情绪识别模型的损失函数；S6：进行神经网络训练，直至跨被试情绪识别模型的损失函数最小化。本发明获得的跨被试情绪识别模型更加轻量化、识别准确率更高。

主权项：1.一种跨被试情绪识别模型的训练方法，其特征在于，所述训练方法基于神经网络结构实现，所述神经网络结构包括两个独立且结构相同的子神经网络一和子神经网络二，两个子神经网络均包括一个编码器和一个分类器，所述编码器用于进行特征提取，并将提取的特征输入到所述分类器中，所述分类器用于完成预测；所述训练方法包括以下步骤：S1：获取脑电原始信号，并根据所述脑电原始信号提取微分熵特征；S2：将提取获得的微分熵特征根据被试个数划分为多个数据组，并将其中一个数据组作为目标域数据，剩余的其他数据组作为源域数据；S3：假设当前源域数据分别为Si和Sj，目标域数据为T，其中，所述Si为子神经网络一的输入，所述Sj为子神经网络二的输入；S4：以相同的方法建立所述子神经网络一的目标函数一和所述子神经网络二的目标函数二；所述子神经网络一的目标函数一为： 式中：为子神经网络一的目标函数一；为子神经网络一关于源域数据Si上的交叉熵损失函数；为子神经网络二指导子神经网络一产生的协作损失函数；为动态对齐目标域数据和源域数据之间的边缘分布和条件分布的函数；S5：根据所述目标函数一和所述目标函数二建立跨被试情绪识别模型的损失函数；所述跨被试情绪识别模型的损失函数为： 式中：为跨被试情绪识别模型的损失函数；为子神经网络二的目标函数二；S6：对所述神经网络结构进行神经网络训练，直至所述跨被试情绪识别模型的损失函数最小化，此时获得的神经网络结构即为能够进行跨被试情绪识别的跨被试情绪识别模型。

全文数据：

权利要求：

百度查询： 西南交通大学 跨被试情绪识别模型及其训练方法、情绪识别方法、设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD