摘要
随着人工智能的普及和社会互联网化的发展，实现人机情感的智能交互逐渐成为人们的最新需求。通过脑电信号分析人们当下的情感状态，为机器赋予识别和表达情感的能力，对脑机交互和医疗康复等领域有重要研究意义。然而，脑电信号的非平稳特性使得脑电数据分布存在差异，基于脑电的情感识别精度往往比较低。为此，有学者提出将迁移学习应用于脑电数据分布对齐，提高情感识别性能。但是现有研究工作大多集中在域不变特征空间的学习上，没有与识别过程进行联合，同时缺少对共享子空间情感特征与脑电关键频段以及脑区之间深层联系的分析。基于当前研究中存在的问题，本文从以下两个方面提出了改进： （1）针对脑电数据分布差异过大导致情感识别精度低下的问题，本文提出了联合域适应和半监督单层神经网络模型。该模型基于迁移学习中的域适应方法，利用特征变换将脑电数据投影到低维共享子空间，使脑电数据同时满足边缘分布和条件分布对齐。然后，提出基于图的半监督单层神经网络对特征对齐后的脑电数据进行情感标签的计算。本文在SEED_Ⅳ脑电数据集上完成了一系列跨时段情感识别实验，实验结果表明联合域适应和半监督单层神经网络模型在跨时段脑电情感识别任务中的识别精度取得了较大提高。 （2）针对当前研究集中在领域不变的特征学习上没有与识别过程统一起来以及缺少对子空间情感激活模式分析的问题，本文创新性地提出了联合特征和图自适应的半监督标签传播模型。该模型将域不变特征学习、半监督情感状态估计和自适应最优图学习统一起来，实现了联合优化。本文在SEED_Ⅳ和SEED_Ⅴ数据集上进行了一系列跨被试脑电情感识别实验，结果表明：1）与当前最新工作相比，跨被试情感识别性能得到明显提高，体现了该模型的有效性；2）在模型训练过程中逐步优化脑电样本的情感度量，说明了进行最优图学习的必要性；3）基于投影矩阵计算得到情感特征重要性，分析情感特征对应的关键频段和脑区，表明学习到的共享子空间的优越性。
NETL