基于EEG的情感特征提取与分类研究

论文摘要

人类的情感不仅包括心理反应和生理反应,还反映了人的自身需求和主观态度。研究表明人类情感的产生或活动与大脑皮层的活动相关度很大,这为通过脑电信号研究情感分类提供了依据。随着脑科学的迅速发展和各个学科的深入研究,通过脑电信号进行情感识别逐渐成为一个热门课题。但不同受试者在不同时间所诱发脑电信号间的差异对情感分类的影响,以及如何提取有效的脑电情感特征来确保情感识别得到更高的准确度和更好的鲁棒性,仍是脑电情感分类研究亟待解决的问题。针对这些问题,本文进行了如下研究:(1)研究如何减小脑电信号日间差异和波动对情感分类性能的影响,提高基于脑电的情感分类的鲁棒性和准确率。采用的数据集一是采集12个人连续五天的脑电数据。该数据集便于研究同一受试者在不同天,所诱发的脑电信号之间的波动和差异对情感分类的影响。采用两种方法进行研究。一种方法是采用数据空间自适应和共空间模式算法对脑电数据集进行处理。先对脑电数据集采用数据空间自适应算法与共空间模式算法进行处理,使不同天所采集的脑电信号之间的差异最小化,类间的差异最大化。最后提取出脑电信号的功率谱密度特征、微分偏侧与差异因果特征。另一种方法是采用共空间模式结合小波包分解的算法对脑电数据集进行处理。先对脑电情感数据采用共空间模式算法寻找最优子空间,然后采用小波包分解算法进行时频域分解,最终提取出小波包能量特征。对这两种方法处理后提取的特征,分别采用Bagging tree、支持向量机、线性判别分析和贝叶斯线性判别分析算法进行情感分类。由两种方法的实验结果可知,共空间模式结合小波包分解的脑电情感分类,能够缓解脑电日间差异对情感分类的影响,并且分类精度高达86.20%,提高分类性能的有效性。(2)研究如何通过多特征提取及组合方法提高脑电信号情感分类的鲁棒性和效率。采用数据集二,该数据集来自DEAP数据集,它不仅包含脑电信号,还包含外围生理信号,它所包含的数据量较大,以便于研究多特征提取及组合方法提高脑电信号情感分类的鲁棒性和效率。采用经验模式分解与小波包分解两种方法分析脑电情感数据,然后分别提取平均能量、波动指数、样本熵、近似熵、多尺度排列熵和Hurst指数等特征,选择特征进行特征组合,对组合后的特征集进行分类,从而寻找出性能最优的特征组合。由实验结果可知,脑电信号经过小波包分解后,提取的样本熵与近似熵的特征组合能够更好地表征脑电情感信号的主要特征,分类准确率高达95.54%。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
•   1.1 课题背景及研究意义
•   1.2 国内外研究现状
•     1.2.1 不同实验模式下的情感识别
•     1.2.2 不同特征下的情感识别
•     1.2.3 不同特征选择算法下的情感识别
•     1.2.4 不同分类器下的情感识别
•   1.3 论文研究内容
•   1.4 论文章节安排
• 2 情感和脑电的相关研究
•   2.1 情感的相关研究
•     2.1.1 情感模型
•     2.1.2 情感的诱发方式
•     2.1.3 情感识别的研究方法
•   2.2 脑电的相关研究
•     2.2.1 大脑的结构和功能
•     2.2.2 脑电信号的分类
•     2.2.3 脑电信号的采集方法
•   2.3 基于脑电的情感识别方法
•     2.3.1 脑电信号预处理
•     2.3.2 特征提取方法
•     2.3.3 特征选择方法
•     2.3.4 情感识别方法
•   2.4 实验数据集
•     2.4.1 数据集一
•     2.4.2 数据集二
•   2.5 本章小结
• 3 跨天脑电数据的情感分类研究
•   3.1 共空间模式算法
•   3.2 基于数据空间自适应和共空间模式的脑电情感分类
•     3.2.1 数据空间自适应算法
•     3.2.2 DSA-CSP算法
•     3.2.3 特征提取
•     3.2.4 分类与验证
•     3.2.5 实验结果分析
•   3.3 共空间模式结合小波包分解的脑电情感分类
•     3.3.1 共空间模式结合小波包分解算法
•     3.3.2 分类和验证
•     3.3.3 实验结果分析
•   3.4 本章小结
• 4 基于多特征组合的脑电情感分类
•   4.1 经验模式分解算法
•     4.1.1 本征模函数
•     4.1.2 EMD实现方法
•   4.2 特征提取算法
•     4.2.1 平均能量和波动系数
•     4.2.2 近似熵
•     4.2.3 样本熵
•     4.2.4 多尺度排列熵
•     4.2.5 Hurst指数
•   4.3 EEG情感分类与实验结果分析
•     4.3.1 基于经验模式分解的多特征组合算法
•     4.3.2 基于小波包分解的多特征组合算法
•   4.4 本章小结
• 5 总结与展望
•   5.1 工作总结
•   5.2 研究展望
• 致谢
• 参考文献
• 攻读硕士学位期间取得的研究成果

文章来源

类型: 硕士论文

作者: 郑茹

导师: 贾小云,陈景霞

关键词: 脑电,信号波动和差异,特征提取,特征组合,情感分类

来源: 陕西科技大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,电信技术

单位: 陕西科技大学

分类号: R318;TN911.7

总页数: 70

文件大小: 4775K

下载量: 254