本发明涉及脑电信号,特别涉及一种基于ga-pdpl算法的跨被试脑电情感识别方法及装置。
背景技术:
1、脑电图(electro encephalo gram,eeg)会随着情感的变化发生变化,因此,可以根据脑电图进行情感识别。
2、因为eeg信号在个体之间可能会有很大差异,所以脑电图情绪识别的最大挑战之一是开发可以推广到新的、看不见的对象的模型。现有的情感识别模型识别速度较慢,且准确率较低,亟待解决。
技术实现思路
1、本发明提供一种基于ga-pdpl算法的跨被试脑电情感识别方法,识别速度快,且准确率高。
2、本发明第一方面实施例提供一种基于ga-pdpl算法的跨被试脑电情感识别方法,包括以下步骤:获取待识别的被试脑电情感数据;将所述被试脑电情感数据输入预先训练好的ga-pdpl模型,利用所述被试脑电情感数据和所述ga-pdpl模型输出的综合字典和分析字典计算所述被试脑电情感数据与每个脑电情感类别的残差,得到多个残差值;其中,所述ga-pdpl模型为在dpl模型中增加综合字典和分析字典的字典对,并引入编码系数矩阵构建得到,通过具有多个被试的脑电情感被试样本和对应的脑电情感类别标签对所述ga-pdpl模型进行训练,并在训练过程中利用遗传算法对构建的所述ga-pdpl模型中的参数进行优化;将所述多个残差值中的最小残差值对应的脑电情感类别作为所述被试脑电情感数据对应的情感类别。
3、可选地,在本发明的一个实施例中,在将所述被试脑电情感数据输入预先训练好的ga-pdpl模型之前,还包括:
4、在dpl模型中增加字典对搭建pdpl模型,得到:
5、
6、其中,d为综合字典,p为分析字典,k为脑电情感类别,fk为情感类别k的脑电情感被试样本,λ为标量常数,为fk的补集,di为d的第i个原子;
7、引入编码系数矩阵a对所述pdpl模型进行放宽,得到:
8、
9、其中,a为编码系数矩阵,;
10、利用具有多个被试的脑电情感被试样本和对应的脑电情感类别标签对所述ga-pdpl模型进行训练,更新所述pdpl模型中的编码系数矩阵a、综合字典d和分析字典p,使得所述pdpl模型最小化,并在更新过程中利用遗传算法优化所述ga-pdpl模型的多个经验参数。
11、可选地,在本发明的一个实施例中,所述利用具有多个被试的脑电情感被试样本和对应的脑电情感类别标签对所述ga-pdpl模型进行训练,更新所述pdpl模型中的编码系数矩阵a、综合字典d和分析字典p,使得所述pdpl模型最小化,包括:
12、1)固定综合字典d和分析字典p,更新编码系数矩阵a:
13、
14、其中,τ为标量常数;
15、得到编码系数矩阵a的封闭形式的解决方案:
16、
17、其中,i为单位矩阵;
18、2)固定编码系数矩阵a,更新综合字典d和分析字典p:
19、
20、得到分析字典p的封闭形式的解决方案:
21、
22、其中,γ为标量常数;
23、引入变量s优化综合字典d:
24、
25、通过admm算法得到综合字典d的最优解:
26、
27、通过1)和2)对所述pdpl模型进行多轮优化训练,更新所述pdpl模型中的编码系数矩阵a、综合字典d和分析字典p,使得所述pdpl模型最小化。
28、可选地,在本发明的一个实施例中,在训练过程中利用遗传算法对构建的所述ga-pdpl模型中的参数进行优化,包括:
29、初始化:生成具有随机分配参数值的初始解决方案群体;
30、评估:使用投影字典对学习算法和适应度函数评估种群中每个解的适应度;
31、选择:根据适应度选择要用作下一代父母的解决方案的子集;
32、突变:通过交叉组合所选父母的参数来创建新的解决方案;
33、评估:对某些解决方案的参数引入随机变化,以探索搜索空间的新区域;
34、替换:从上一代和新一代中选出最好的解组成下一代;
35、终止:当满足停止条件时终止算法;
36、输出:返回遗传算法找到的最优解,对应所述ga-pdpl模型的最优经验参数值。
37、可选地,在本发明的一个实施例中,将所述多个残差值中的最小残差值对应的脑电情感类别作为所述被试脑电情感数据对应的情感类别的确定公式为:
38、
39、其中,ft为待识别的被试脑电情感数据,di为第i类的综合子字典,pi为第i类的分析子字典。
40、本发明第二方面实施例提供一种基于ga-pdpl算法的跨被试脑电情感识别装置,包括:获取模块,用于获取待识别的被试脑电情感数据;识别模块,用于将所述被试脑电情感数据输入预先训练好的ga-pdpl模型,利用所述被试脑电情感数据和所述ga-pdpl模型输出的综合字典和分析字典计算所述被试脑电情感数据与每个脑电情感类别的残差,得到多个残差值;其中,所述ga-pdpl模型为在dpl模型中增加综合字典和分析字典的字典对,并引入编码系数矩阵构建得到,通过具有多个被试的脑电情感被试样本和对应的脑电情感类别标签对所述ga-pdpl模型进行训练,并在训练过程中利用遗传算法对构建的所述ga-pdpl模型中的参数进行优化;输出模块,用于将所述多个残差值中的最小残差值对应的脑电情感类别作为所述被试脑电情感数据对应的情感类别。
41、可选地,在本发明的一个实施例中,所述装置还包括:搭建模块,用于,在dpl模型中增加字典对搭建pdpl模型,得到:
42、
43、其中,d为综合字典,p为分析字典,k为脑电情感类别,fk为情感类别k的脑电情感被试样本λ为标量常数,为fk的补集,di为d的第i个原子;
44、引入编码系数矩阵a对所述pdpl模型进行放宽,得到:
45、
46、其中,a为编码系数矩阵;
47、1)固定综合字典d和分析字典p,更新编码系数矩阵a:
48、
49、其中,τ为标量常数;
50、得到编码系数矩阵a的封闭形式的解决方案:
51、
52、其中,i为单位矩阵,;
53、2)固定编码系数矩阵a,更新综合字典d和分析字典p:
54、
55、得到分析字典p的封闭形式的解决方案:
56、
57、其中,γ为标量常数;
58、引入变量s优化综合字典d:
59、
60、通过admm算法得到综合字典d的最优解:
61、
62、通过1)和2)对所述pdpl模型进行多轮优化训练,更新所述pdpl模型中的编码系数矩阵a、综合字典d和分析字典p,使得所述pdpl模型最小化;
63、在训练过程中利用遗传算法对构建的所述ga-pdpl模型中的参数进行优化,包括:
64、初始化:生成具有随机分配参数值的初始解决方案群体;
65、评估:使用投影字典对学习算法和适应度函数评估种群中每个解的适应度;
66、选择:根据适应度选择要用作下一代父母的解决方案的子集;
67、突变:通过交叉组合所选父母的参数来创建新的解决方案;
68、评估:对某些解决方案的参数引入随机变化,以探索搜索空间的新区域;
69、替换:从上一代和新一代中选出最好的解组成下一代;
70、终止:当满足停止条件时终止算法;
71、输出:返回遗传算法找到的最优解,对应所述ga-pdpl模型的最优经验参数值。
72、可选地,在本发明的一个实施例中,将所述多个残差值中的最小残差值对应的脑电情感类别作为所述被试脑电情感数据对应的情感类别的确定公式为:
73、
74、其中,ft为待识别的被试脑电情感数据,di为第i类的综合子字典,pi为第i类的分析子字典。
75、本发明第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以执行如上述实施例所述的基于ga-pdpl算法的跨被试脑电情感识别方法。
76、本发明第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以执行如上述实施例所述的基于ga-pdpl算法的跨被试脑电情感识别方法。
77、本发明实施例的基于ga-pdpl算法的跨被试脑电情感识别方法及装置,使用综合字典和分析字典来增强特征表示,利用遗传算法进行参数优化,选择最好的词典和参数,从而达到最好的识别效果,识别速度快,且准确率高。
78、本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。