1.一种面向情感计算的脑电特征可视分析方法,其特征在于,包括以下步骤:(1)特征优化:设计渐进式优化算法消除脑电情感特征的个体差异,采用被试内动态标准化消除个体间基线差异,利用对比学习算法提取跨被试对齐的微分熵特征DE,引入协同交叉注意力机制实现微分熵特征DE与功率谱密度特征PSD的动态互补融合;
(11)被试内动态标准化包括:通过逐被试标准化策略消除个体间基线差异;采用自适应动态标准化方法实现全局和局部统计量的动态平衡;执行如下具体步骤:(111)对于每个被试的数据,初始化其全局均值和标准差;
(112)使用滑动窗口遍历当前被试的样本,实时计算窗口内的局部统计量和;
(113)通过动态权重实现全局与局部统计量的融合,得到动态统计量和:(114)基于动态统计量,对窗口内的原数据进行Z-Score标准化,将其映射至零均值、单位标准差的统一空间;
(115)在遍历过程中动态衰减值,保留全局统计特性的同时,逐步增强对脑电时序动态特性的适应性;
(12)对比学习预训练包括:在标准化后的特征空间中,通过跨被试情感状态约束的正负样本对优化特征空间的类内紧凑性和类间分离性,使相同情感状态的特征距离缩小,不同情感状态的特征距离扩大,从而学习具有跨被试一致性的情感表征;
(13)协同交叉注意力融合包括:从对比学习算法的编码器中提取微分熵特征DE,引入协同交叉注意力机制,实现微分熵特征DE与功率谱密度特征PSD的动态互补融合;
(2)特征评估:构建多维评估体系,从特征分布模式、个体差异系数、聚集性和相关性多个角度评估特征质量,验证特征优化方法的有效性;所述的多维评估体系,具体包括:(21)分布模式分析:利用t-SNE算法将高维特征降维至二维空间,聚类可视化实现跨被试分布差异的定性分析;
(22)聚集性分析:定义个体聚集性IA指标,量化二维空间中特征点的被试内聚集程度;在计算时,随机抽取20%的样本构建多轮迭代;
(23)个体差异分析:提出个体差异指数IDI度量二维空间中不同被试的类间分布差异;
(24)相关性分析:提出主体相关性IC指标,采用基于k近邻距离熵估计的非参数方法量化脑电特征与被试身份标签的非线性关联强度;
(3)异常特征检查:建立异常值检测与多域可视分析结合的检查机制,实现对低信噪比脑电信号中异常特征的定位和检查;
(4)特征导出:生成并导出经过优化和异常处理后的特征文件及可视化图文报告。
2.如权利要求1所述的一种面向情感计算的脑电特征可视分析方法,其特征在于,所述步骤(12)对比学习预训练具体包括:(121)在采样器中,按批次跨被试抽取正负样本对,其中正样本对来自相同情感状态,负样本对来自不同情感状态;
(122)在编码器中,采用时空双卷积架构从高维脑电信号中提取低维情感特征表示;
(123)在投影器中,通过时空双卷积层与平均池化层相结合的映射结构,将编码器输出的特征映射至可计算相似度的对比空间;
(124)通过InfoNCE损失函数优化编码器与投影器参数,实现正样本对的余弦相似度最大化和负样本对的余弦相似度最小化,迫使网络学习跨被试不变的情感表征。
3.如权利要求1所述的一种面向情感计算的脑电特征可视分析方法,其特征在于,所述步骤(13)协同交叉注意力融合具体包括:(131)维度对齐:使用多层感知机网络对齐功率谱密度特征PSD和微分熵特征DE的维度;
(132)注意力计算,具体包括:
计算DE-PSD方向的注意力权重:将PSD特征矩阵通过线性变换生成查询矩阵,同时将DE特征矩阵转换为键矩阵,为特征维度缩放因子;具体公式如下:PSD-DE方向注意力权重计算采用镜像结构:将DE特征转换为查询矩阵,同时将PSD特征映射为键矩阵;
(133)特征融合,具体包括:
采用加权策略生成融合后的特征表示;针对DE,将原始特征向量与注意力权重进行加权组合,生成包含PSD信息的增强型DE特征;公式如下:针对PSD,将原始特征向量与权重矩阵进行融合运算,获得融合后的PSD特征表示;通过自适应门控融合机制动态整合和,生成最终的情绪表征。
4.根据权利要求1所述的一种面向情感计算的脑电特征可视分析方法,其特征在于,步骤(22)中每轮迭代执行以下操作:(221)聚类分析:对二维特征执行k-means聚类,将当前样本索引对应的被试特征切片作为初始聚类中心,为全体样本分配类标签;
(222)个体聚合率计算:对于每个被试,统计其样本中属于同一聚类标签的最大数量,计算该最大数量与总样本数量的比值,定义为该被试的个体聚合率;
(223)步骤聚合率计算:计算所有被试的个体聚合率均值,作为当前迭代轮的步骤聚合率;
所有迭代步骤聚合率的平均值输出为个体聚集性 IA。
5.根据权利要求1所述的一种面向情感计算的脑电特征可视分析方法,其特征在于,步骤(23)具体包括:(231)对每个被试的二维数据,采用高斯核密度估计构建其概率分布模型;
(232)对任意两名被试,基于其密度分布计算Jensen-Shannon散度;
(233)计算所有被试对的JS散度并构建矩阵,n为被试总数;最终全局个体差异指数定义为矩阵D上三角或下三角部分的均值,不包含对角线元素。
6.根据权利要求1所述的一种面向情感计算的脑电特征可视分析方法,其特征在于,步骤(24)具体包括:(241)将连续脑电特征Y与离散被试身份标签X对齐,构成观测数据对;
(242)对每个数据点,计算其局部互信息:其中,为digamma函数,用于估计局部熵值,N为样本总数,是与同类的样本数,定义为邻域内样本数,邻域半径取的第k近邻距离;
(243)通过对所有数据点的局部互信息取平均得到个体相关性指标IC。
7.根据权利要求1所述的一种面向情感计算的脑电特征可视分析方法,其特征在于,步骤(3)所述的多域可视分析包括:构建时空域、时频域、空频域的联合分析框架,具体包括:时空域异常分析:结合脑电波形动态叠加可视化与脑地形图空间映射,识别电极接触异常;通过单通道聚焦显示与多通道上下文隐藏的交互设计,确保异常检查的精度并避免信号重叠导致的视觉干扰;
时频域异常分析:通过时频谱编码技术捕捉各频段能量的时变特性,重点识别50/60Hz工频干扰噪声;设计多级筛选策略实现从概览到细节的高效异常检查:在交互界面中预置情绪相关的典型时间窗和电极组合,支持手动微调时间范围边界,并支持沿空间维度从多电极组合逐步聚焦至单电极信号;
空频域异常分析:通过脑地形图矩阵对比显示五频段微分熵特征DE和功率谱密度特征PSD的空间分布特性,实现频域-空间域特征的关联分析。
8.一种面向情感计算的脑电特征可视分析系统,其特征在于,
特征优化模块:设计渐进式优化算法消除脑电情感特征的个体差异,采用被试内动态标准化策略消除个体间基线差异,利用对比学习算法提取跨被试对齐的微分熵特征DE,引入协同交叉注意力机制实现微分熵特征DE与功率谱密度特征PSD的动态互补融合;
(11)被试内动态标准化包括:通过逐被试标准化策略消除个体间基线差异;采用自适应动态标准化方法实现全局和局部统计量的动态平衡;执行如下具体步骤:(111)对于每个被试的数据,初始化其全局均值和标准差;
(112)使用滑动窗口遍历当前被试的样本,实时计算窗口内的局部统计量和;
(113)通过动态权重实现全局与局部统计量的融合,得到动态统计量和:(114)基于动态统计量,对窗口内的原数据进行Z-Score标准化,将其映射至零均值、单位标准差的统一空间;
(115)在遍历过程中动态衰减值,保留全局统计特性的同时,逐步增强对脑电时序动态特性的适应性;
(12)对比学习预训练包括:在标准化后的特征空间中,通过跨被试情感状态约束的正负样本对优化特征空间的类内紧凑性和类间分离性,使相同情感状态的特征距离缩小,不同情感状态的特征距离扩大,从而学习具有跨被试一致性的情感表征;
(13)协同交叉注意力融合包括:从对比学习算法的编码器中提取微分熵特征DE,引入协同交叉注意力机制,实现微分熵特征DE与功率谱密度特征PSD的动态互补融合;
特征评估模块:构建多维评估体系,从特征分布模式、个体差异系数、聚集性和相关性多个角度评估特征质量,验证特征优化方法的有效性;所述的多维评估体系,具体包括:(21)分布模式分析:利用t-SNE算法将高维特征降维至二维空间,聚类可视化实现跨被试分布差异的定性分析;
(22)聚集性分析:定义个体聚集性IA指标,量化二维空间中特征点的被试内聚集程度;在计算时,随机抽取20%的样本构建多轮迭代;
(23)个体差异分析:提出个体差异指数IDI度量二维空间中不同被试的类间分布差异;
(24)相关性分析:提出主体相关性IC指标,采用基于k近邻距离熵估计的非参数方法量化脑电特征与被试身份标签的非线性关联强度;
异常特征检查模块:建立异常值检测与多域可视分析结合的检查机制,实现对低信噪比脑电信号中异常特征的定位和检查;
特征导出模块:生成并导出经过优化和异常处理后的特征文件及可视化图文报告。