一种自校正脑电信号标签噪声的情绪识别方法、

本发明涉及情绪识别，具体涉及一种自校正脑电信号标签噪声的情绪识别方法、系统、设备和介质。背景技术：1、所谓情绪，是人在一定环境中受到某种外界刺激产生的一种状态，良好的情绪可以减少压力、焦虑和抑郁，使人更容易保持专注和高效率地工作，而不良情绪可能导致机体的内分泌情况以及导致植物神经紊乱，使身体出现各种不适症状，因此识别情绪是非常重要的。目前情绪识别分为两大方法，第一种方法是通过面部表情，身体姿势和语言语态来进行情绪识别，第二种方法是采集脑电信号、心电信号、眼电信号、肌电信号等生理信号来进行情绪识别。前者由于能伪装，所以不能识别出真实的情绪，后者直接通过测量生理信号，所以能够更准确的识别出真实情绪。2、近些年来，在基于脑电的情感识别任务中，深度学习取得了良好的性能。研究者们将深度学习网络应用于脑电信号特征的提取以及脑电信号的分类，相比于传统的情绪识别算法提取各种脑电特征，深度学习方法不但实现了端到端的研究，而且得到了更高的识别精度。3、但是深度学习算法需要大量的数据集进行训练，然而准确的数据标注工作需要耗费高昂成本。一般情况下，大多数研究工作假设数据标签都是正确的，但人类在判断中存在天生的偏见、主观性和不一致，这将导致在记录人类情绪状态时存在一定的误差，并且专家在进行标记工作的时候，也会因为各种原因标记错误。标签噪声样本不但会使深度学习模型过拟合从而导致准确率下降，还会影响模型的性能，因此，研究处理标签噪声很有必要。技术实现思路1、针对现有技术存在的问题，本发明提供了一种自校正脑电信号标签噪声的情绪识别方法、系统、设备和介质，解决标签噪声导致情绪识别准确率下降，影响模型的性能的问题，具有在标签噪声存在的情况下，校正噪声样本，提高情绪识别性能的特点。2、为了实现上述目的，本发明采用的技术方案如下：3、一种自校正脑电信号标签噪声的情绪识别方法，包括：4、s1、获取测试者的脑电信号数据，对脑电信号数据去基线和样本切分处理，得到n个脑电信号样本；5、s2、在n个脑电信号样本对应的情绪标签中，将预设比例的情绪标签取反，视作噪声标签，得到带噪脑电信号样本；6、所述带噪脑电信号样本记为x＝{x1,x2,…,xi,…,xn}∈rd×s，其中，xi表示第i个带噪脑电信号，d表示脑电信号的通道数，s表示脑电信号的采样点数量。7、所述带噪脑电信号样本对应的情绪标签记为y＝{y1,y2,…,yi,…,yn}∈8、r1×c，其中，yi表示第i个带噪脑电信号样本对应的情绪标签，c表示脑电信号的情绪类别数；9、s3、建立基于深度学习的自校正混合匹配模型，自校正混合匹配模型包括预训练模块、标签切分模块，情绪识别模块以及标签噪声样本校正模块；10、s4、将带噪脑电信号样本输入自校正混合匹配模型，训练自校正混合匹配模型，输出情绪识别结果。11、所述预训练模块、标签切分模块以及情绪识别模块都是由resnet18作为基准模型构建而成，共享模型参数。12、所述s4中，定义训练轮次为epoch，最大训练轮次为max_epoch，预训练轮次为warmup_epoch，每经过update_epoch轮次就进行噪声样本校正：13、s4.1、将带噪脑电信号样本x和带噪脑电信号样本对应的情绪标签y输入预训练模块进行warmup_epoch轮次的基准模型训练，更新预训练模块基准模型的网络参数，损失数如下：14、15、式中，p(xi)是带噪脑电信号xi的预测概率；16、s4.2、将带噪脑电信号样本x和带噪脑电信号样本对应的情绪标签y输入标签切分模块，计算带噪脑电信号xi的损失并将损失排序，若带噪脑电信号xi的损失值小于损失阈值，将带噪脑电信号xi的情绪标签保留，得到有标签样本(xi,yi)；若带噪脑电信号xi的损失值大于损失阈值，将带噪脑电信号样本xi的情绪标签丢弃，得到无标签样本17、18、式中，lossi表示带噪脑电信号xi的损失值，τ表示损失阈值；19、s4.3、将有标签样本(xi,yi)和无标签样本输入情绪识别模块，得到混合情绪标签预测值y′mix；20、s4.4、判断epoch是否达到update_epoch，若达到则进入噪声样本校正模块；否则返回s4.2，当epoch达到max_epoch，停止训练；21、所述标签噪声样本校正模块进行标签校正，将前update_epoch轮次测试阶段的预测概率求期望，然后将结果当作下一个update_epoch轮次的情绪标签。22、所述s4.3的具体步骤如下：23、s4.3.1、利用共享参数的基准模型预测出无标签样本的预测标签将预测标签锐化：24、25、式中，t表示锐化率；26、s4.3.2、将锐化后的预测值标准化得到伪标签27、28、式中，当c＝1时，就表示标签预测对第一个类别的预测概率；当c＝2时，就表示标签预测对第二个类别的预测概率；29、s4.3.3、将有标签样本和带伪标签的无标签样本进行组合：30、xcay＝(xi,x′i)31、32、将组合后的样本进行混合得到混合样本xmix和对应的混合情绪标签ymix33、xmix＝α*xcat+(1-α)xcat34、ymix＝α*ycat+(1-α)ycat35、s4.3.4、将混合样本xmix输入基准模型，获得混合情绪标签预测值y′mix。36、根据混合标签ymix和混合标签预测值y′mix，计算总损失，自校正混合匹配模型网络参数：37、计算分类交叉熵损失：38、lx＝-∑y′mixlogymix39、计算l2损失：40、41、式中，p是先验概率，即所有训练数据的类别分布，将p的取值设置为1/2；42、计算总损失，根据总损失更新优化自校正混合匹配模型网络参数；43、l＝lx+βlu44、式中，lx是分类交叉熵损失，lu是l2损失，β是超参数。45、一种自校正脑电信号标签噪声的情绪识别系统，包括：46、脑电信号数据处理模块：获取测试者的脑电信号数据，对脑电信号数据去基线和样本切分处理，得到n个脑电信号样本；47、带噪脑电信号样本获取模块：在n个脑电信号样本对应的情绪标签中，将预设比例的情绪标签取反，视作噪声标签，得到带噪脑电信号样本；48、构建模型模块：建立基于深度学习的自校正混合匹配模型，自校正混合匹配模型包括预训练模块、标签切分模块，情绪识别模块以及标签噪声样本校正模块；49、情绪识别结果输出模块：将带噪脑电信号样本和带噪脑电信号样本对应的情绪标签，输入自校正混合匹配模型，训练自校正混合匹配模型，输出情绪识别结果。50、一种自校正脑电信号标签噪声的情绪识别设备，包括：51、存储器：用于存储所述一种自校正脑电信号标签噪声的情绪识别方法的计算机程序；52、处理器：用于执行所述计算机程序时实现一种自校正脑电信号标签噪声的情绪识别方法。53、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现一种自校正脑电信号标签噪声的情绪识别方法。54、与现有技术相比，本发明的有益效果是：55、本发明构建自校正混合匹配模型实现了预训练模块、标签切分模块，情绪识别模块以及标签噪声样本校正模块这四个模块的有效融合，预训练模块使用大学习率训练鲁棒的基准模型，标签切分模块利用损失值把带噪脑电信号样本切分为有标签样本和无标签样本，情绪识别模块利用半监督学习方法进行基准模型的训练，提高模型的性能和鲁棒性，最后标签噪声样本校正模块利用预测均值来校正噪声标签；区别于传统机器学习手工提取特征的方法，本发明通过深度学习网络端到端的提取特征进行情绪识别，并且利用大学习率、样本切分、预测均值步骤，使得在有噪声标签的情况下训练网络模型对噪声标签更加鲁棒，从而在情绪识别中提升分类表现性能，解决了现有情绪识别技术标签噪声降低分类性能的问题。