【摘要】：情緒作為一種綜合了人的感覺、思想和行為的復雜活動,是人對外界環(huán)境或自發(fā)產(chǎn)生的生理及心理反應。起初,人們僅粗略地通過外部明顯的聲音、語調(diào)、音量變化等來主觀揣測人各種不同的情緒狀態(tài)。隨著科學技術的不斷進步,逐漸以脈搏、血壓、體溫、腦電(Electroencephalogram,EEG)和功能性磁共振成像技術(Functional Magnetic Resonance Imaging,fMRI)等客觀性生理信號識別人不同的情緒狀態(tài)。由于腦電的低偽裝性及較高的時間分辨率逐漸被廣泛應用于情緒識別的研究領域中。腦電采集是由多個緊貼頭皮不同位置的導聯(lián)在人的大腦皮層或頭皮表面記錄到的大腦神經(jīng)元的自發(fā)性、節(jié)律性電活動,通過電路系統(tǒng),經(jīng)由放大器獲得并記錄的波形信號。人類不同情緒狀態(tài)經(jīng)記錄獲得的腦電信號是所有神經(jīng)元的電活動在大腦皮層的共同反映。有研究表明,腦電信號的高頻成分(如γ和β波段)比起低頻段更能較好地反映人不同的情緒狀態(tài)。此外,由于人們將大腦看成復雜的非線性系統(tǒng),非線性特征也已逐漸成為腦電數(shù)據(jù)分析中的研究熱點。例如,通過樣本熵實現(xiàn)高低喚醒度和高低愉悅度的情緒識別。在情緒識別分類中應用微分熵(Differential Entropy,DE)作為特征值進行機器分類學習,得到84.22%較高的分類正確率�？梢姺蔷�性腦電特征對情緒識別具有較高的分類率。然而較高的情緒分類率往往伴隨腦電數(shù)據(jù)量和導聯(lián)數(shù)目的增加,不利于情緒的快速分析。針對這一問題,本研究通過尋找合理算法,提取腦電各導聯(lián)的特征,找到與情緒密切相關的線性和非線性的腦電特征,由此篩選出與情緒識別密切相關的少數(shù)導聯(lián),為實現(xiàn)基于情緒的快速實時分析提供可能。我們首先設計了基于圖片刺激的情緒誘發(fā)范式,并利用腦電設備采集30名男性健康被試觀看四類情緒圖片(HVLA,LVLA,HVHA,LVHA,分別描述為輕松、沮喪、愉悅、恐懼情緒)時的腦電信號,再將原始腦電信號進行偽跡去除處理,獲得較為純凈的腦電信號。其次,利用小波變換的線性分析法對腦電信號進行分解,每個導聯(lián)提取出兩種不同節(jié)律波段的頻率信號:β節(jié)律(13-30Hz)、γ節(jié)律(30-45Hz);并提取每個導聯(lián)兩種非線性特征:微分熵、信息熵。最后采用Fisher分數(shù)(F-score)算法篩選所有導聯(lián)的腦電特征,并使用支持向量機(Support Vector Machine,SVM)對四種情緒進行分類。本研究實驗設計過程中為確保每類情緒誘導的有效性,利用SAM自評分模型,選擇每類情緒圖片的有效評分數(shù)量達到此類型情緒圖片數(shù)量一半以上時的被試EEG數(shù)據(jù)進行分析,從而篩選出成功誘發(fā)相應情緒的24名被試,最終獲得可用的腦電數(shù)據(jù)。根據(jù)24名被試的腦電數(shù)據(jù),首次利用F-score和SVM聯(lián)合算法篩選出四個特征組合:β頻帶、γ頻帶、信息熵、微分熵,并以此作為情緒有效性評價指標。根據(jù)每個導聯(lián)四個F-score得分均值,篩選出分類率高達81.15%的5個導聯(lián)組合:FT7,T7,FC4,TP10,O1;以及分類率高達83.69%的6個導聯(lián):FT7,T7,FC4,TP10,O1,FP1。并繪制四種不同情緒狀態(tài)下,以信息熵和微分熵為特征的腦電地形圖,從另一方面說明上述所選特征和少數(shù)導聯(lián)的有效性。總結本研究成果:利用校正后的F-score算法首次篩選出了腦電信號的特征組合,獲得與情緒密切相關的少數(shù)導聯(lián),極大地降低了運算時間,該結果對實現(xiàn)情緒的快速識別和監(jiān)測及人機交互技術的發(fā)展有重要意義。
【學位授予單位】：安徽醫(yī)科大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R318.04;TN911.7
【圖文】：

材料與方法我們根據(jù)前期的實驗設計，確定了以下實驗流程（圖 1）。首先為了在不同情緒狀態(tài)下的 EEG 信號的有效性，我們選用情緒圖片誘發(fā)相應的情緒，并將不同被試的 EEG 信號進行記錄與保存，然后對被并通過分析處理相應腦電信號，選擇合適的數(shù)據(jù)處理算法，最后找信號對人不同情緒狀態(tài)的評估方法。

（low valence and high arousal），并分別以輕松情緒、沮喪情緒、愉悅情緒、恐懼情緒作為相應情緒類型的代表。其中沮喪情緒圖片15張，圖片效價評分2.88±0.62、喚醒度評分 4.97±0.69；輕松情緒圖片 15 張，圖片效價評分 6.72±0.49、喚醒度評分 3.77±0.97；恐懼情緒圖片 15 張，圖片效價評分 2.44±1.04、喚醒度評分 6.54±0.60；愉悅情緒圖片 15 張，圖片效價評分 7.26±0.44、喚醒度評分 5.80±0.66（圖 2-4）。

low valence and high arousal），并分別以輕松情緒、沮喪情緒、愉悅情緒、恐緒作為相應情緒類型的代表。其中沮喪情緒圖片15張，圖片效價評分2.88±0.6醒度評分 4.97±0.69；輕松情緒圖片 15 張，圖片效價評分 6.72±0.49、喚醒分 3.77±0.97；恐懼情緒圖片 15 張，圖片效價評分 2.44±1.04、喚醒度評分 6.0.60；愉悅情緒圖片 15 張，圖片效價評分 7.26±0.44、喚醒度評分 5.80±0.圖 2-4）。圖 2 實驗所用的四類情緒圖片F(xiàn)ig 2 Four types of emotional pictures in the experiment

【參考文獻】

相關期刊論文 前10條

1 王欣;靳靜娜;李松;劉志朋;殷濤;;厭惡與悲傷情境圖片誘發(fā)負性情緒的腦電機制差異探索[J];生物醫(yī)學工程學雜志;2015年06期

2 陳志華;蘇雅;;視覺刺激情感變化β波同步分析[J];大連交通大學學報;2015年04期

3 劉瓏;李勝;王軼卿;;基于小波包變換的腦電波信號降噪及特征提取[J];計算機工程與科學;2015年04期

4 王欣杰;李海峰;馬琳;吳明權;;基于F-score的大數(shù)據(jù)公共空間模式選擇方法[J];燕山大學學報;2014年05期

5 王曉椺;石立臣;呂寶糧;;干電極腦電采集技術綜述[J];中國生物醫(yī)學工程學報;2010年05期

6 謝娟英;王春霞;蔣帥;張琰;;基于改進的F-score與支持向量機的特征選擇方法[J];計算機應用;2010年04期

7 馬翔宇;陳志華;鄒颯楓;趙力;;基于主成分分析的音樂事件相關腦電變化研究[J];現(xiàn)代生物醫(yī)學進展;2009年03期

8 CICHOCKI Andrzej;;EEG-based asynchronous BCI control of a car in 3D virtual reality environments[J];Chinese Science Bulletin;2009年01期

9 羅躍嘉;黃宇霞;李新影;李雪冰;;情緒對認知加工的影響:事件相關腦電位系列研究[J];心理科學進展;2006年04期

10 江朝暉,劉大路,馮煥清,袁宇;腦電復雜性的一種新特征[J];數(shù)據(jù)采集與處理;2005年01期

相關博士學位論文 前4條

1 彭宏;普適化腦電信息感知關鍵問題的研究[D];蘭州大學;2015年

2 李小偉;腦電、眼動信息與學習注意力及抑郁的中文相關性研究[D];蘭州大學;2015年

3 李俊華;腦活動狀態(tài)EEG信號解碼方法及其應用[D];上海交通大學;2012年

4 周仲興;復合下肢想象動作電位的特征識別新技術研究[D];天津大學;2009年

相關碩士學位論文 前4條

1 楊鵬圓;基于小波包和Hilbert-Huang變換的情感腦電識別研究[D];太原理工大學;2014年

2 奕偉波;基于復合肢體想象動作的腦電特征識別技術研究[D];天津大學;2012年

3 聶聃;基于腦電的情感識別[D];上海交通大學;2012年

4 陳曾;腦電信號在情感識別中的研究[D];西南大學;2010年

本文編號：2803477