基于度量學習的腦電信號情緒識別方法研究
發(fā)布時間:2020-05-17 01:33
【摘要】:隨著人工智能、人機交互的快速發(fā)展,情緒計算的相關(guān)研究得到了廣泛的關(guān)注。腦電記錄了大腦神經(jīng)元活動產(chǎn)生的電位變化,與人的情緒最為緊密,因此在情緒識別領(lǐng)域具有重要意義。腦電信號情緒識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樣本的距離度量實現(xiàn)的。目前腦電信號情緒識別研究主要圍繞有效特征提取和分類算法展開,缺少對腦電數(shù)據(jù)樣本度量的研究,本文將度量學習應(yīng)用于腦電信號情緒識別。首先,針對由于人的主觀性、疲勞、專注度等因素導致腦電數(shù)據(jù)情緒標簽錯誤的問題,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,本文研究腦電信號情緒識別中的異常樣本處理方法,EF算法集成多個分類器通過投票的方式一次性檢測并剔除異常樣本,MEIF算法在集成多個分類器基礎(chǔ)上,通過多次過濾、異常分數(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練集。最終在SEED標準情緒識別腦電數(shù)據(jù)集上,在SVM方法基礎(chǔ)上,情緒識別準確率分別提高了0.8%和1.6%。其次,針對腦電數(shù)據(jù)樣本歐式距離度量的問題,本文研究基于LMNN度量學習的腦電信號情緒識別方法,通過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新的特征空間,區(qū)別看待對情緒貢獻不同的腦電特征,進而更準確地度量腦電數(shù)據(jù)樣本間的相似性。最終相比于使用SVM,情緒識別準確率提升了5.3%,此外結(jié)合第二章MEIF方法處理異常樣本,情緒識別準確率進一步提升了1.2%。最后,針對由于腦電信號的非平穩(wěn)性導致的腦電數(shù)據(jù)樣本分布差異的問題,本文研究基于MMD-ML度量學習的腦電信號情緒識別方法,通過對源域中情緒標簽已知樣本的信息和目標域中情緒標簽未知樣本的分布信息學習,獲得一種最優(yōu)的特征映射方式,將源域和目標域的樣本映射到高維RKHS空間,在該空間中源域和目標域的MMD距離最小,進而使樣本分布盡可能相同,進而解決源域和目標域樣本分布不同的問題。最終在跨個體和跨時間下,相比于SVM方法,情緒識別準確率分別提升了16.7%和20.8%,此外結(jié)合第二章MEIF方法處理異常樣本,情緒識別準確率進一步提升了0.7%和0.3%。
【圖文】:
圖 1-2 62 導 10-20 系統(tǒng)電極分布示意圖微弱,一般只有 50uV,在采集過程中這會影響后續(xù)的分類性能。雖然很多研做出這些干擾來避免收集到的腦電信號過濾干擾。因此需要對腦電信號進行預(yù)的數(shù)據(jù)段,得到純凈的腦電信號。在情擾、眼電干擾、心電干擾、工頻干擾等有人工手動去除法[17]、濾波[18]、歸一verage Reference,CAR )[20]、 盲 源 分 [21]、 獨 立 分 量 分 析 ( Indepe]等。電信號情緒識別中的重點部分,提取有別的準確率。時域特征是最容易獲得的處理后的腦電信號進行相關(guān)統(tǒng)計運算處特征,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 是對角矩陣, iiiW w。此時矩陣W零,即坐標軸正交,特征之間無關(guān)。進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,因為 是一個半正定對稱的矩陣,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取不同值時閔式距離的示意圖。
【學位授予單位】:哈爾濱工業(yè)大學
【學位級別】:碩士
【學位授予年份】:2018
【分類號】:R318;TN911.6
本文編號:2667696
【圖文】:
圖 1-2 62 導 10-20 系統(tǒng)電極分布示意圖微弱,一般只有 50uV,在采集過程中這會影響后續(xù)的分類性能。雖然很多研做出這些干擾來避免收集到的腦電信號過濾干擾。因此需要對腦電信號進行預(yù)的數(shù)據(jù)段,得到純凈的腦電信號。在情擾、眼電干擾、心電干擾、工頻干擾等有人工手動去除法[17]、濾波[18]、歸一verage Reference,CAR )[20]、 盲 源 分 [21]、 獨 立 分 量 分 析 ( Indepe]等。電信號情緒識別中的重點部分,提取有別的準確率。時域特征是最容易獲得的處理后的腦電信號進行相關(guān)統(tǒng)計運算處特征,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 是對角矩陣, iiiW w。此時矩陣W零,即坐標軸正交,特征之間無關(guān)。進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,因為 是一個半正定對稱的矩陣,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取不同值時閔式距離的示意圖。
【學位授予單位】:哈爾濱工業(yè)大學
【學位級別】:碩士
【學位授予年份】:2018
【分類號】:R318;TN911.6
【參考文獻】
相關(guān)期刊論文 前2條
1 呂清秀;李弼程;高毫林;;基于距離度量學習的DCT域JPEG圖像檢索[J];太赫茲科學與電子信息學報;2014年01期
2 張健沛;楊顯飛;楊靜;;交叉驗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];電子學報;2011年02期
相關(guān)博士學位論文 前1條
1 易軍;人臉識別中的特征提取與度量學習算法研究[D];北京郵電大學;2015年
相關(guān)碩士學位論文 前6條
1 王緣;基于無線體域網(wǎng)的單兵精神狀態(tài)監(jiān)測系統(tǒng)[D];哈爾濱工業(yè)大學;2017年
2 林燕;音樂情感對駕駛情緒的影響機理及其應(yīng)用研究[D];浙江工業(yè)大學;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;2014年
4 魏刃佳;基于情感識別的在線教學流程設(shè)計研究[D];陜西師范大學;2014年
5 段若男;基于腦電信號的視頻誘發(fā)情緒識別[D];上海交通大學;2014年
6 王法強;基于度量學習的人臉識別方法研究[D];哈爾濱工業(yè)大學;2013年
本文編號:2667696
本文鏈接:http://sikaile.net/kejilunwen/wltx/2667696.html
最近更新
教材專著