买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学;中国医疗保健国际交流促进会申请的专利基于动态聚类与变分贝叶斯元学习的情绪识别方法与系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119366920B 。

龙图腾网通过国家知识产权局官网在2025-12-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411546664.8，技术领域涉及：A61B5/16；该发明授权基于动态聚类与变分贝叶斯元学习的情绪识别方法与系统是由金博;聂兴潮;魏小鹏;刘寨义;王硕设计研发完成，并于2024-11-01向国家知识产权局提交的专利申请。

本基于动态聚类与变分贝叶斯元学习的情绪识别方法与系统在说明书摘要公布了：本发明公开了一种基于动态聚类与变分贝叶斯元学习的情绪识别方法与系统，具体使用中餐馆过程动态确定人群种类个数，并针对不同人群种类在通过生理信号进行情绪表达的模式上存在的差异性，引入贝叶斯元学习的思想来学习人群种类情绪表达模式的共通性，并通过元学习的子过程来学习人群个体情绪表达模式的特性。具体包括四个步骤：数据整理与预处理、模型中人群动态聚类过程参数与元参数的初始化、算法模型的在线训练及参数更新、模型性能测试及投入使用；本发明能够针对不同人群种类建立参数分布不同的情绪分类模型，进而实现精度较高的情绪识别，并同时具有在不同人群间进行知识迁移的强泛化能力。

本发明授权基于动态聚类与变分贝叶斯元学习的情绪识别方法与系统在权利要求书中公布了：1.一种基于动态聚类与变分贝叶斯元学习的情绪识别方法，其特征在于，包括如下步骤： 步骤S1：数据整理与预处理； 步骤S1-1：整理现存受试者脑电信号，统一对脑电信号进行降采样至128HZ的操作，使用5到45HZ带通滤波器对脑电信号进行滤波，获得被方法调用的生理信号特征数据； 步骤S1-2：受试者序号为t，从受试者中获得的生理信号特征数据序列集合记作： 受试者真实情绪标签集合记作： 式中，表示在单次情绪刺激实验中从受试者上获得到的多通道生理信号,代表生理信号的特征通道数目，代表生理信号的时长与频率的乘积，即最终获得生理信号的时间点数，表示实数集，表示从第t个受试者上获得的带情绪标签的生理信号样本数量，对应的情绪标签使用独热编码的形式给出，以DEAP数据集进行情绪标注的喜欢程度这一维度，将受试者的情绪分为喜欢和不喜欢两个类别，分别用向量[0,1]和[1,0]来表示； 步骤S1-3：将受试者的样本集拆分为训练受试者自身情绪分类器的支持集样本和用于测试的查询集样本，拆分依据为随机打乱后，分别按照比例拆分； 步骤S2：模型中人群动态聚类过程参数与元参数的初始化； 步骤S2-1：基于中餐馆过程CRP的人群动态聚类参数初始化，设置一个超参数α对新进入的第i个受试者进行人群类别的判定，并使用来表示其类别的标签，公式如下： 式中，表示第个人群中期望被分入的受试者个数，α0作为一个浓度超参数来控制人群的种类数； 步骤S2-2：将某一受试者划分在某个人群类别当中的概率大小需要通过为每一个人群类别构造出一个断棒表示来完成，根据迪利克雷过程的原理，初始化过程的公式为： 式中，表示概率值向量，，其中每个元素的取值表示将受试者个体分到不同人群类别的概率大小，需要保证向量中各元素取值非负并且所有取值的和为1，第k个类别的概率表示为； 步骤S2-3：传统元学习假设有一个参数为的元模型，使用元模型中的元参数生成一个对应的情绪分类器，生成过程为： 式中，表示混合高斯分布，表示从概率值向量中各分量按照对应的概率值进行采样，得到一个确定的的结果，即当前的受试者t明确的划分到对应的人群类别当中，确定该受试者所属人群类别的元参数分布；表示当前受试者其所属的人群类别，表示从对应人群的分类器参数分布中为其采样出一个对应的元参数框架，表示其服从高斯混合分布的均值向量，表示半正协方差矩阵； 为当前的受试者生成一个对应的具有初始化参数的情绪分类器子模型，具体过程为： 步骤S3：算法模型的在线训练及参数更新； 步骤S3-1：通过结构化推断的方式，当输入第t个受试者的样本数据时，通过后验的方式输出四个参数所服从的分布参数，将公式2中服从的Beta分布的参数记作，将公式4中服从的分布的参数记作将公式5中服从高斯混合分布的参数记作，将公式6中任务特定参数的变分参数记作，即可通过在线的方式来不断的更新模型参数或投入使用，具体公式为： 当第t个受试者到达后，观察到的证据下界ELOB根据公式8进一步描述为： 式中，表示数学期望，表示的是Kullback–Leibler散度，通过最大化这一损失函数即可完成优化模型参数的目标，q表示是模型预测出来的分布,p表示真实的分布； 步骤S3-2：四个分布参数的生成及优化过程： 1的变分分布，仅考虑ELOB中与相关的项，其最优的变分分布为： 2的变分分布，同样仅考虑ELOB中与相关的项，推导出其最优的变分分布为： 即一个带参数的分类器分布： 式中，是的变分分布； 3的变分分布，当第t个受试者到达后，推断出其所属第k个人群类别之后，将对应人群的元学习参数分布表示为： 假设每个人群种类内部都服从一个参数为： 的高斯分布，在不失一般性的前提下，第t个受试者到来后新的的先验知识由上一步中已存的的后验知识给出，即： 并在当前受试者的数据训练完成后更替新的后验知识接受新的受试者情绪分类任务到来，并将参数通过随机梯度下降的方式来进行更新； 4的变分分布，即生成的带初始化参数的情绪分类器，公式为： 式中，表示本方法为当前受试者生成的情绪分类器神经网络参数，代表的是采样的变分参数，当前受试者已经确定的所属人群类别的变分参数用于和当前受试者的训练数据执行几个步骤的梯度下降，即： 式中，是梯度下降的步骤，是学习率，梯度下降策略采用的是随机梯度下降； 步骤S4：性能测试及投入使用； 当一个只具有少量样本标签的受试者生理信号样本集传入本方法后，调用步骤S3中训练得到的神经网络，将受试者精准的动态划分到对应的人群当中，调用对应人群中已经经过训练的元学习框架，为该受试者生成一个具有初始化参数的情绪分类器，通过端到端的方式即将生理信号作为输入，输出情绪分类结果，使用对应的少量样本对该情绪分类器进行快速的训练即可投入使用或测试；此时测试的步骤即为当一个或一批不带有情绪标注的生理信号样本传入后，将对应的生理信号样本输入到对应的情绪分类器当中，即可得到元参数模型对于该生理信号样本的情绪预测输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学;中国医疗保健国际交流促进会，其通讯地址为：116000 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。