本发明属于情绪识别模块的，具体涉及一种基于半监督宽度网络的弹性稀疏化情绪识别方法及装置。
背景技术：
1、情绪分析和识别是通过分析各种生理或非生理信号了解人的情绪状态，是神经科学、心理学、认知科学和人工智能等学科的重要交叉点。准确识别情绪对人际交往、情绪障碍的诊断和治疗具有重要的意义和应用价值。与语音等非生理性信号相比，包括脑电图(electroencephalogram，eeg)、眼动电图(electro-oculogram，eog)和心电图(electrocardiogram，ecg)在内的生理性信号能避免参与者的欺诈行为，更有助于理解他们潜在的情绪反应。
2、可穿戴技术的快速发展简化脑电信号的采集，提高其便利性、效率和经济性。然而，由于包括物理、生理和环境等因素的影响，脑电信号往往表现出高非平稳性和低信噪比。获得标记的脑电图样本可能是艰巨的，昂贵的，耗时的。例如，该领域许多基于脑电图的研究需要多种方法来注释情绪，如刺激前的自评、实验后的自评和专家的全过程评估。相比之下，未标记数据丰富且易于以较低的成本获取。因此半监督学习在基于脑电图的情感识别领域具有显著优势。
3、目前的情绪识别方法大多数是基于监督学习的方法，近两年逐渐出现使用半监督学习方法解决脑电情绪识别问题，然而现有的方法也都大多集中于深度学习方法上。然而深度学习往往具有大量的参数需要调整，整体训练时间较长，相较于深度学习方法，宽度学习具有快速高效的特点，能够节约大量的训练时间。但是，情感识别方法往往是高维复杂的数据，仅使用单层隐层会存在表达能力不足等问题，如何整合无标签数据和标记数据信息，解决脑电数据中的高度不平衡问题也是挑战。
技术实现思路
1、本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于半监督宽度网络的弹性稀疏化情绪识别方法及装置，通过利用改进的弹性网络对脑电信号提取高维特征，并将标记数据和无标签数据的共同特征连接构建连接图，标记数据的标签信息得以传播至无标签数据，解决了脑电情绪识别场景下面临的数据高维和标记数据不足的问题，提高识别准确率。
2、为了达到上述目的，本发明采用以下技术方案：
3、第一方面，本发明提供了一种基于半监督宽度网络的弹性稀疏化情绪识别方法，包括下述步骤：
4、采集脑电信号，获取脑电数据集；
5、对脑电数据集进行预处理和特征提取，获取情绪状态特征；
6、利用弹性稀疏自编码器对情绪状态特征提取低维特征，获取脑电低维特征；利用嵌入弹性稀疏化的多层增强节点对情绪状态特征进行深度特征提取，获取深度抽象特征，将脑电低维特征和深度抽象特征合并，获取情绪识别决策层特征；利用决策层对情绪识别决策层特征进行分类，识别输出脑电数据相应的情绪。
7、作为优选的技术方案，所述数据预处理，包括：
8、对采集的脑电信号分段处理；
9、利用高通滤波器和低通滤波器对采集到的脑电信号进行滤波处理，去除高频噪声和低频漂移；
10、通过运动伪迹校正算法，消除由于头部运动引起的信号变化；
11、针对基线漂移进行基线校正；
12、利用插值方法估算缺失电极的数值，并对数据进行补偿。
13、作为优选的技术方案，所述对脑电数据集特征提取包括：
14、提取脑电数据集的时域脑电信号，并通过评估和提取频率相关特征对时域脑电特征进行转换，获取频域脑电特征；所述频域脑电特征包括功率谱密度、对数能谱和微分熵。
15、作为优选的技术方案，所述深度特征提取，包括：
16、将所有情绪状态特征通过线性函数生成映射节点，节点具有相应的线性特征信息；
17、通过多层增强节点对线性特征信息进一步处理，获取增强特征节点；
18、将增强特征节点通过权重连接，获取深度抽象特征。
19、作为优选的技术方案，对所有情绪状态特征通过线性函数生成映射节点zn≡[z1,z2,…,zn]，第i组映射特征zi，每一组特征包含k个映射特征，如下式：
20、
21、其中，表示线性映射函数，x表示所有情绪状态特征的数据，wei表示连接权重，βei表示偏置，n表示映射特征节点的组数。
22、作为优选的技术方案，利用弹性稀疏自编码器对情绪状态特征进行处理，对于第l层的特征el，由前一层的特征生成，如下式：
23、
24、其中，whl表示待估计的权重向量，α表示正则化强度参数，ρ表示两种正则化项的权重比例，l表示改进的弹性网络的总层数。
25、作为优选的技术方案，所述将深度抽象特征和脑电低维特征合并，具体为：
26、将深度抽象特征和脑电低维特征构建连接图，输出情绪识别特征则有：
27、
28、a＝[z|el]
29、
30、其中，w表示决策层的权值，表示扩展增强标签矩阵，c表示惩罚系数，为平衡数据，n表示映射特征节点的组数，k表示每组映射特征节点组中节点数，ml表示第l层映射特征的个数，θ表示优化求解参数。
31、作为优选的技术方案，在预测获取情绪识别特征时，还包括：实际值和预测值之间的误差，用于自适应地调整分类器。
32、作为优选的技术方案，在情绪识别预测时，包括:
33、根据不同类别样本的预测误差自适应地调整惩罚系数，当分类器对样本分类发生错误时，对分类器进行反馈并及时校正；
34、所述惩罚系数，如下式：
35、ci＝c0/nc
36、其中，ci表示惩罚系数，nc表示c类别的样本个数，c0表示标准bls中定义的初始值。
37、第二方面，本发明还提供了一种基于半监督宽度网络的弹性稀疏化情绪识别系统，应用于所述的基于半监督宽度网络的弹性稀疏化情绪识别方法，包括数据采集模块、特征提取模块以及情绪识别模块；
38、数据采集模块，用于采集脑电信号，获取脑电数据集；
39、特征提取模块，用于对脑电数据集进行预处理和特征提取，获取情绪状态特征；；
40、情绪识别模块，用于利用弹性稀疏自编码器对情绪状态特征提取低维特征，获取脑电低维特征；利用嵌入弹性稀疏化的多层增强节点对情绪状态特征进行深度特征提取，获取深度抽象特征，将脑电低维特征和深度抽象特征合并，形成情绪识别决策层特征；利用决策层对情绪识别特征进行分类，识别输出脑电数据相应的情绪。
41、本发明与现有技术相比，具有如下优点和有益效果：
42、(1)本发明改进的弹性网络具有多层增强节点，通过多层加权宽度学习后，尝试引入动态自适应权重，解决脑电情绪识别场景中面临的高度非平衡问题，减少了模型预测倾向，提升了识别稳定性。
43、(2)本发明改进的弹性网络设置了弹性稀疏自编码器，通过弹性稀疏自编码器提取脑电的低维特征，使用少量潜在或隐藏低维变量来表示大量复杂的神经元活动，进而区分与认知大脑不同神经状态的活动模式。
44、(3)本发明能够利用无标签数据的分布信息，提高现有技术的识别效果，更贴合于实际应用场景，避免了数据资源的浪费；同时基于宽度学习技术和堆叠技术，能够有效解决基于深度模型的参数量大，训练时间长的问题。
1.一种基于半监督宽度网络的弹性稀疏化情绪识别方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于半监督宽度网络的弹性稀疏化情绪识别方法，其特征在于，所述数据预处理，包括：
3.根据权利要求1所述基于半监督宽度网络的弹性稀疏化情绪识别方法，其特征在于，所述对脑电数据集特征提取包括：
4.根据权利要求1所述基于半监督宽度网络的弹性稀疏化情绪识别方法，其特征在于，所述深度特征提取，包括：
5.根据权利要求4所述基于半监督宽度网络的弹性稀疏化情绪识别方法，其特征在于，对所有情绪状态特征通过线性函数生成映射节点zn≡[z1,z2,…,zn]，第i组映射特征zi，每一组特征包含k个映射特征，如下式：
6.根据权利要求1所述基于半监督宽度网络的弹性稀疏化情绪识别方法，其特征在于，利用弹性稀疏自编码器对情绪状态特征进行处理，对于第l层的特征el，由前一层的特征生成，如下式：
7.根据权利要求1所述基于半监督宽度网络的弹性稀疏化情绪识别方法，其特征在于，所述将深度抽象特征和脑电低维特征合并，具体为：
8.根据权利要求1所述基于半监督宽度网络的弹性稀疏化情绪识别方法，其特征在于，在预测获取情绪识别特征时，还包括：实际值和预测值之间的误差，用于优化自适应地调整分类器。
9.根据权利要求1所述基于半监督宽度网络的弹性稀疏化情绪识别方法，其特征在于，在情绪识别预测时，包括:
10.一种基于半监督宽度网络的弹性稀疏化情绪识别系统，其特征在于，应用于权利要求1-9中任一项所述的基于半监督宽度网络的弹性稀疏化情绪识别方法，包括数据采集模块、特征提取模块以及情绪识别模块；
