一種用於認知狀態識別的特徵分組歸一化方法
2023-05-26 21:00:46
一種用於認知狀態識別的特徵分組歸一化方法
【專利摘要】一種用於認知狀態識別的特徵分組歸一化方法涉及模式識別領域的特徵歸一化問題,其步驟為:(1)特徵數據分組;(2)任選一個歸一化函數,計算出各分組對應的歸一化函數的參數;(3)構建分組歸一化函數,將各分組對應的歸一化函數的參數代入其函數內,得到各個分組的歸一化映射關係;(4)分組歸一化處理,每個分組使用對應的歸一化函數進行特徵數據變換,特徵歸一化結束。特徵整體歸一化方法只能解決特徵之間數據分布的多樣性問題,不能解決特徵內部數據分布差異過大的問題,本發明提出的分組歸一化方法既保留了特徵整體歸一化方法的優點,同時減少了特徵數據內部分布尺度過大的問題,從而提高了分類正確率,本發明提出的特徵分組歸一化方法具有很強的魯棒性。
【專利說明】—種用於認知狀態識別的特徵分組歸一化方法
【技術領域】
[0001]本發明涉及模式識別的特徵歸一化問題,尤其涉及一種用於認知狀態識別的特徵
分組歸一化方法。
【背景技術】
[0002]認知狀態識別是指計算機通過分析人的外在行為特徵達到對其內部心理狀態的理解,特別是在人機互動中對於人的目的、意圖進行識別和判斷。使用模式識別技術對於人的不同認知狀態的識別是近幾年發展起來的研究熱點,基於磁共振、腦波和眼動的認知狀態識別方法研究的比較多。認知狀態識別的流程包括以下步驟:特徵提取、特徵歸一化、分類器訓練和模式判別。其中,特徵提取及其歸一化處理方法均對狀態識別效果有重要的影響。目前適用於認知狀態識別的特徵提取技術已經日趨成熟,但是通用的特徵歸一化方法並不能滿足認知狀態識別的需求,因此需要一種能夠用於認知狀態識別的特徵歸一化方法。
[0003]特徵歸一化的目的是將各種不同的特徵轉換到一個共同的值域範圍,可以避免分類器訓練時出現大數量級特徵所佔權重過大的問題,歸一化處理後使得原本數量級較小但是差異性較大的特徵能夠在判別函數中起到相應的作用。除此之外,對每種特徵歸一化處理後,數據範圍的變化使得分類算法可以較好的收斂,獲得更好的識別效果。
[0004]目前通用的特徵歸一化方法的步驟為:首先選擇需要使用的歸一化函數,然後對特徵的所有特徵數據進行歸一化函數的參數估計,最後對特徵的所有特徵數據使用相同參數的歸一化函數進行整體轉換。由於使用這種歸一化方法時,相同特徵的數據採用相同參數的歸一化函數進行整體變換,因此可以將其稱之為特徵整體歸一化方法。
[0005]這種特徵整體歸一化方法能夠解決各個特徵之間存在的分布多樣性問題的,研究表明,對於基於多種生物特徵的用戶識別系統,以及基於不同搜尋引擎產生的文檔相關度的文檔檢索系統,使用該方法均能有效提高識別性能。但是,在認知狀態識別過程中特徵整體歸一化方法的使用效果並不理想。雖然使用該方法後,統一了不同特徵的值域範圍,在一定程度上提高了認知狀態的識別效果,但是並未解決每種特徵內部存在分布多樣性的問題。這是因為,使用認知狀態識別的特徵提取技術獲取的特徵通常具有以下特點:首先,各個特徵的分布存在多樣性,不同特徵分布的位置和尺度具有差異;其次,為了得到人類認知的共性差異特徵,需要同時提取多名用戶的特徵數據,比如基於視覺行為的認知狀態識別,需要通過多名用戶眼動特徵中存在的共性差異來區分不同的認知狀態。顯而易見,不同用戶的視覺行為特徵是存在差異的,比如每名用戶固有的瞳孔直徑大小並不一致。因此對於認知狀態識別所提取的特徵,即使是同一種特徵,其內部的分布也是具有多樣性的,即相同特徵用戶間的特徵分布存在著個體差異。
[0006]特徵內部數據分布多樣性問題導致不同認知狀態下的特徵數據互相重疊,可區分性大大降低,將會嚴重影響識別效果。而且該問題並不能通過特徵整體歸一化方法來解決,由於用戶間特徵數據分布存在個體差異,對特徵進行特徵整體歸一化後僅僅解決了特徵間的分布多樣性問題,特徵數據內部的差異仍然保留了下來,在訓練分類器時就會產生影響,導致識別率不能有效地提高。
【發明內容】
[0007]本發明的目的是針對目前特徵整體歸一化方法無法解決認知狀態識別過程中所提取特徵存在內部分布多樣性的問題,提出了一種用於認知狀態識別的特徵分組歸一化方法。本發明的方法既能夠解決各個特徵之間的分布多樣性問題,也能夠解決特徵內部差異過大問題,提高認知狀態識別正確率。
[0008]本發明的技術方案為:
[0009]1.一種用於認知狀態識別的特徵分組歸一化方法,其特徵在於:
[0010](I)特徵數據分組
[0011](1-1)特徵 X 來源於 A 類的特徵數據為 XAijQ = I, 2,..., m, j = I, 2,..., n1; m為用戶數,Ii1為A類任務數);
[0012](1-2)特徵 X 來源於 B 類的特徵數據為 XBii (i = I, 2,..., m, j = I, 2,..., n2, m
為用戶數,n2為B類任務數);
[0013](1-3)構造特徵 X 的特徵矩陣:X = (XAijt如下:
【權利要求】
1.一種用於認知狀態識別的特徵分組歸一化方法,其特徵在於: (1)特徵數據分組
(1-1)特徵X來源於A類的特徵數據為XAij, i = 1,2,..., m, j = 1,2,..., n1; m為用戶數,Ii1為A類任務數; (1-2)特徵X來源於B類的特徵數據為XBij, i = 1,2,...,m,j = 1,2,...,n2,m為用戶數,n2為B類任務數; (1-3)構造特徵X的特徵矩陣:X = (^Ail X%)m*(n1+n2),如下:
【文檔編號】G06K9/00GK104008393SQ201410209254
【公開日】2014年8月27日 申請日期:2014年5月17日 優先權日:2014年5月17日
【發明者】慄覓, 呂勝富, 周宇, 鍾寧 申請人:北京工業大學