【摘要】：隨著人工智能、人機(jī)交互的快速發(fā)展,情緒計(jì)算的相關(guān)研究得到了廣泛的關(guān)注。腦電記錄了大腦神經(jīng)元活動(dòng)產(chǎn)生的電位變化,與人的情緒最為緊密,因此在情緒識(shí)別領(lǐng)域具有重要意義。腦電信號(hào)情緒識(shí)別依賴于輸入的腦電數(shù)據(jù)樣本間的相似性度量,而相似性度量是通過(guò)樣本的距離度量實(shí)現(xiàn)的。目前腦電信號(hào)情緒識(shí)別研究主要圍繞有效特征提取和分類算法展開(kāi),缺少對(duì)腦電數(shù)據(jù)樣本度量的研究,本文將度量學(xué)習(xí)應(yīng)用于腦電信號(hào)情緒識(shí)別。首先,針對(duì)由于人的主觀性、疲勞、專注度等因素導(dǎo)致腦電數(shù)據(jù)情緒標(biāo)簽錯(cuò)誤的問(wèn)題,為了避免異常樣本影響后續(xù)度量模型以及分類模型的構(gòu)建,本文研究腦電信號(hào)情緒識(shí)別中的異常樣本處理方法,EF算法集成多個(gè)分類器通過(guò)投票的方式一次性檢測(cè)并剔除異常樣本,MEIF算法在集成多個(gè)分類器基礎(chǔ)上,通過(guò)多次過(guò)濾、異常分?jǐn)?shù)度量、異常樣本剔除以及多次迭代的方式獲得清潔的腦電樣本訓(xùn)練集。最終在SEED標(biāo)準(zhǔn)情緒識(shí)別腦電數(shù)據(jù)集上,在SVM方法基礎(chǔ)上,情緒識(shí)別準(zhǔn)確率分別提高了0.8%和1.6%。其次,針對(duì)腦電數(shù)據(jù)樣本歐式距離度量的問(wèn)題,本文研究基于LMNN度量學(xué)習(xí)的腦電信號(hào)情緒識(shí)別方法,通過(guò)使用馬氏距離的度量方式,采用馬氏矩陣將原始腦電樣本映射到一個(gè)新的特征空間,區(qū)別看待對(duì)情緒貢獻(xiàn)不同的腦電特征,進(jìn)而更準(zhǔn)確地度量腦電數(shù)據(jù)樣本間的相似性。最終相比于使用SVM,情緒識(shí)別準(zhǔn)確率提升了5.3%,此外結(jié)合第二章MEIF方法處理異常樣本,情緒識(shí)別準(zhǔn)確率進(jìn)一步提升了1.2%。最后,針對(duì)由于腦電信號(hào)的非平穩(wěn)性導(dǎo)致的腦電數(shù)據(jù)樣本分布差異的問(wèn)題,本文研究基于MMD-ML度量學(xué)習(xí)的腦電信號(hào)情緒識(shí)別方法,通過(guò)對(duì)源域中情緒標(biāo)簽已知樣本的信息和目標(biāo)域中情緒標(biāo)簽未知樣本的分布信息學(xué)習(xí),獲得一種最優(yōu)的特征映射方式,將源域和目標(biāo)域的樣本映射到高維RKHS空間,在該空間中源域和目標(biāo)域的MMD距離最小,進(jìn)而使樣本分布盡可能相同,進(jìn)而解決源域和目標(biāo)域樣本分布不同的問(wèn)題。最終在跨個(gè)體和跨時(shí)間下,相比于SVM方法,情緒識(shí)別準(zhǔn)確率分別提升了16.7%和20.8%,此外結(jié)合第二章MEIF方法處理異常樣本,情緒識(shí)別準(zhǔn)確率進(jìn)一步提升了0.7%和0.3%。
【圖文】：

圖 1-2 62 導(dǎo) 10-20 系統(tǒng)電極分布示意圖微弱，一般只有 50uV，在采集過(guò)程中這會(huì)影響后續(xù)的分類性能。雖然很多研做出這些干擾來(lái)避免收集到的腦電信號(hào)過(guò)濾干擾。因此需要對(duì)腦電信號(hào)進(jìn)行預(yù)的數(shù)據(jù)段，得到純凈的腦電信號(hào)。在情擾、眼電干擾、心電干擾、工頻干擾等有人工手動(dòng)去除法[17]、濾波[18]、歸一verage Reference,CAR ）[20]、 盲 源 分 [21]、 獨(dú) 立 分 量 分 析 （ Indepe]等。電信號(hào)情緒識(shí)別中的重點(diǎn)部分，提取有別的準(zhǔn)確率。時(shí)域特征是最容易獲得的處理后的腦電信號(hào)進(jìn)行相關(guān)統(tǒng)計(jì)運(yùn)算處特征，目前常用的有均值、峰值、方

2 2 2 21 2 1 1,2,1 2 1,2,2 1,2,1 2 1 2,W n nTd x x w dist w dist w distx x W x x 0iw ，，W diag w 是對(duì)角矩陣， iiiW w。此時(shí)矩陣W零，即坐標(biāo)軸正交，特征之間無(wú)關(guān)。進(jìn)一步考慮到在腦電特征之間存在相關(guān)性，因此，將矩陣 替換為一個(gè)普通 M ，這就是馬氏矩陣。距離的定義為 1 2 1 2 1 21 2 1 21 2 1 2,TTTTd x x Lx Lx Lx Lxx x L L x xx x M x x TM L L為馬氏矩陣，因?yàn)?是一個(gè)半正定對(duì)稱的矩陣，此也滿足了距離度量函數(shù)的基本性質(zhì)。圖 3-1 顯示了 n 及p取不同值時(shí)閔式距離的示意圖。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：R318;TN911.6

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 呂清秀;李弼程;高毫林;;基于距離度量學(xué)習(xí)的DCT域JPEG圖像檢索[J];太赫茲科學(xué)與電子信息學(xué)報(bào);2014年01期

2 張健沛;楊顯飛;楊靜;;交叉驗(yàn)證容噪分類算法有效性分析及其在數(shù)據(jù)流上的應(yīng)用[J];電子學(xué)報(bào);2011年02期

相關(guān)博士學(xué)位論文 前1條

1 易軍;人臉識(shí)別中的特征提取與度量學(xué)習(xí)算法研究[D];北京郵電大學(xué);2015年

相關(guān)碩士學(xué)位論文 前6條

1 王緣;基于無(wú)線體域網(wǎng)的單兵精神狀態(tài)監(jiān)測(cè)系統(tǒng)[D];哈爾濱工業(yè)大學(xué);2017年

2 林燕;音樂(lè)情感對(duì)駕駛情緒的影響機(jī)理及其應(yīng)用研究[D];浙江工業(yè)大學(xué);2016年

3 鄭聲濤;睡眠腦電的分析與應(yīng)用研究[D];廣東工業(yè)大學(xué);2014年

4 魏刃佳;基于情感識(shí)別的在線教學(xué)流程設(shè)計(jì)研究[D];陜西師范大學(xué);2014年

5 段若男;基于腦電信號(hào)的視頻誘發(fā)情緒識(shí)別[D];上海交通大學(xué);2014年

6 王法強(qiáng);基于度量學(xué)習(xí)的人臉識(shí)別方法研究[D];哈爾濱工業(yè)大學(xué);2013年

本文編號(hào)：2667696