近年來,很多研究人員一直致力于研究如何讓計(jì)算機(jī)和人一樣具有觀察并理解各種情緒甚至是能夠生成并表達(dá)各種情緒的能力,而想要完成這個(gè)目標(biāo)需要解決的一個(gè)基本問題就是:如何利用人類的生理信號(hào)或非生理信號(hào)進(jìn)行有效的情緒識(shí)別。腦電（Electroencephalogram,EEG）信號(hào)作為一種生理信號(hào),由人體的中樞神經(jīng)直接產(chǎn)生,難以人為操縱或改變,且可以實(shí)時(shí)客觀地反映出人類情緒狀態(tài),這些特點(diǎn)使得很多研究人員選擇使用腦電信號(hào)進(jìn)行情緒識(shí)別。目前利用可靠的腦電信號(hào)去魯棒識(shí)別情緒還是存在很多難點(diǎn)。腦電信號(hào)的非線性非平穩(wěn)性為利用腦電信號(hào)進(jìn)行情緒識(shí)別帶來了很多困難和阻礙。其次,雖然腦電信號(hào)的特征提取算法眾多,但不同的腦電特征提取方法會(huì)從不同的角度來量化腦電信號(hào),所以使用單一的特征提取算法無法充分發(fā)揮腦電信號(hào)的優(yōu)勢(shì)。針對(duì)這兩個(gè)問題,本文主要進(jìn)行了以下工作:1、研究了基于多元經(jīng)驗(yàn)?zāi)B(tài)分解的腦電信號(hào)處理方法。為了降低腦電信號(hào)的非平穩(wěn)性,在腦電信號(hào)的特征提取階段之前引入了多元經(jīng)驗(yàn)?zāi)B(tài)分解（Multivariate Empirical Mode Decomposition,MEMD）算法,將多個(gè)通道的腦電信號(hào)同步分解為一... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：80 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

腦電信號(hào)的采集設(shè)備腦電信號(hào)的采集過程中，需要保持實(shí)驗(yàn)周邊環(huán)境安靜，以減小外在因素對(duì)腦電信號(hào)采集時(shí)的干擾

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第二章情緒腦電的理論基礎(chǔ)和研究框架11圖2.3腦電信號(hào)的采集現(xiàn)場(chǎng)圖2.1.3腦電信號(hào)的特性在2.1.2節(jié)介紹了腦電信號(hào)的產(chǎn)生和采集方式，通過研究，研究人員們發(fā)現(xiàn)由于這二者的原因，腦電信號(hào)具有許多特性。這些特性對(duì)于使用腦電信號(hào)進(jìn)行各項(xiàng)研究帶來了很多掣肘或幫助：（1）信噪比低。通常情況下采集到的腦電信號(hào)都是通過在頭皮上放置電極的方式采集的，這種非侵入式采集方式不僅使得采集到的信號(hào)幅度較低，通常在50uV左右，最大值也不過在100uV左右，還會(huì)讓采集到的信號(hào)混入很多干擾信號(hào)，比如眼電、心電、肌電以及來自外部環(huán)境的干擾；（2）非平穩(wěn)隨機(jī)性。因?yàn)樵诓杉X電信號(hào)過程中會(huì)受到很多因素的影響，導(dǎo)致最終采集的腦電信號(hào)是一個(gè)混合信號(hào)，而且腦電信號(hào)的產(chǎn)生目前也沒有研究出一個(gè)明確的機(jī)制和模式，所以腦電信號(hào)實(shí)則是一種具有非平穩(wěn)性和隨機(jī)性的生理信號(hào)；（3）非線性。人體始終處于一個(gè)動(dòng)態(tài)變化調(diào)整的過程，是一個(gè)典型的非線性動(dòng)力系統(tǒng)，腦電信號(hào)的產(chǎn)生過程也會(huì)受到這種人體細(xì)胞組織的自主調(diào)節(jié)適應(yīng)能力的影響，所以腦電信號(hào)不會(huì)隨時(shí)間做線性變化，而是具有明顯的非線性特征。但是目前很多的信號(hào)分析方法基于線性理論基礎(chǔ)提出來的，用這些線性信號(hào)分析方法來分析非線性的腦電信號(hào)就會(huì)丟失許多腦電信號(hào)的原始信息；（4）節(jié)律性。腦電信號(hào)是通過電極記錄下的神經(jīng)元細(xì)胞的自發(fā)性、節(jié)律性電活動(dòng)，所以腦電信號(hào)這種節(jié)律性的活動(dòng)可以用波段的頻率來劃分為Delta、Theta、Alpha、Beta和Gamma

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第二章情緒腦電的理論基礎(chǔ)和研究框架17特征與誘發(fā)情緒相關(guān)性高，包含足夠的有效信息，才能確保后續(xù)的情緒識(shí)別工作正常進(jìn)行。腦電信號(hào)中常用的情緒特征可分為三種——時(shí)域特征、頻域特征和非線性特征。第四步是選擇合適的分類器，在基于腦電信號(hào)的情緒識(shí)別分類中，分類器的選擇不同對(duì)于分類結(jié)果也是有很大影響的，從1.2節(jié)中介紹的國(guó)內(nèi)外研究現(xiàn)狀中可以發(fā)現(xiàn)，K近鄰，SVM和樸素貝葉斯等分類器是研究人員們最為常用的幾種。由于本文的研究側(cè)重點(diǎn)在于使用多特征進(jìn)行EEG情緒分類，所以本文根據(jù)前人研究，選用了魯棒性能好的支持向量機(jī)用于最后的分類。本文中進(jìn)行的所有EEG情緒分類實(shí)驗(yàn)運(yùn)用的分類器都是支持向量機(jī)。因?yàn)镈EAP情緒數(shù)據(jù)庫和分類器SVM在全文的實(shí)驗(yàn)中都有所使用，所以在接下來兩節(jié)中，本章對(duì)二者進(jìn)行了一個(gè)簡(jiǎn)單介紹。2.3.1DEAP情緒數(shù)據(jù)庫本文用于實(shí)驗(yàn)研究的數(shù)據(jù)是由Koelstra和Muhl等人提出的一種能用來分析人類情緒狀態(tài)的多模式數(shù)據(jù)集[35]。DEAP數(shù)據(jù)集共有32名受試者，每名受試者會(huì)通過觀看視頻進(jìn)行40次情緒誘發(fā)實(shí)驗(yàn)，從而得到所需的生理信號(hào)。實(shí)驗(yàn)使用了40個(gè)導(dǎo)聯(lián)來采集相關(guān)信號(hào)，前32導(dǎo)采集的是腦電信號(hào)，后8導(dǎo)采集的是外圍生理信號(hào)，采樣頻率是512Hz。圖2.6就是某一個(gè)受試者在采集過程之中所處的實(shí)驗(yàn)環(huán)境[35]。圖2.6受試者所處的實(shí)驗(yàn)環(huán)境

【參考文獻(xiàn)】：
期刊論文
[1]融合語音信號(hào)和腦電信號(hào)的多模態(tài)情感識(shí)別[J]. 馬江河,孫穎,張雪英.  西安電子科技大學(xué)學(xué)報(bào). 2019(01)
[2]基于IMF能量熵的腦電情感特征提取研究[J]. 陸苗,鄒俊忠,張見,肖姝源,衛(wèi)作臣.  生物醫(yī)學(xué)工程研究. 2016(02)
[3]基于腦電信號(hào)的ILDB情感特征提取算法[J]. 時(shí)文飛,葉西寧.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(02)
[4]Hilbert-Huang變換在情感腦電特征提取中的應(yīng)用[J]. 楊鵬圓,李海芳,陳東偉.  計(jì)算機(jī)工程與設(shè)計(jì). 2014(07)
[5]基于復(fù)雜度熵特征融合的高壓力人群情感狀態(tài)評(píng)估[J]. 李昕,李紅紅,李長(zhǎng)吾.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2013(03)
[6]一種EMD改進(jìn)方法及其在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J]. 時(shí)培明,丁雪娟,李庚,韓東穎.  振動(dòng)與沖擊. 2013(04)
[7]基于主成分分析法的變風(fēng)量空調(diào)系統(tǒng)傳感器故障診斷[J]. 晉欣橋,杜志敏,孫勇.  上海交通大學(xué)學(xué)報(bào). 2005(08)

博士論文
[1]基本情感生理信號(hào)的非線性特征提取研究[D]. 程靜.西南大學(xué) 2015

碩士論文
[1]基于組合特征提取的腦電情感識(shí)別方法研究[D]. 吉曉敏.遼寧師范大學(xué) 2017
[2]基于EMD方法的壓縮感知圖像處理研究[D]. 劉妍.北京郵電大學(xué) 2012



本文編號(hào)：3593701