本文關(guān)鍵詞：基于EEG信號(hào)后段正電位特征的情緒識(shí)別　出處：《鄭州大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 腦電信號(hào) 情緒識(shí)別 后段正電位特征 K近鄰 SVM

【摘要】：如何準(zhǔn)確的解讀人類的情緒狀態(tài)一直是人工智能、醫(yī)學(xué)、計(jì)算機(jī)等領(lǐng)域的科研工作者急需解決的問題,在情緒識(shí)別研究領(lǐng)域中,研究學(xué)者不斷努力已經(jīng)取得了一些進(jìn)展,但是,還需要我們不斷努力。目前,基于腦電信號(hào)的情緒識(shí)別研究熱度與日俱增。非植入式電極的應(yīng)用讓腦電信號(hào)的采集更加方便與快捷,也讓基于腦電信號(hào)的相關(guān)成果應(yīng)用到生活中成為可能。由于目前人們的工作與生活的壓力比較大,存在很多潛在的心理上的問題,日久天長(zhǎng),為身體健康埋下隱患�；谀X電信號(hào)的情緒識(shí)別研究能夠識(shí)別個(gè)體腦電信號(hào)中的情緒種類,即使表面上個(gè)體的情緒被偽裝,但是腦電信號(hào)能夠真實(shí)反映個(gè)體的精神狀態(tài),為接下來的調(diào)整提供幫助,解決潛在的問題,為自己的身體健康與精神健康提供保障。同時(shí),識(shí)別人腦電信號(hào)中的情緒也人機(jī)交互的情感智能和疾病的治療提供了一種方法。腦電信號(hào)的情緒識(shí)別研究已有一段時(shí)間,主要研究的方法集中在在時(shí)域、頻域、時(shí)頻、統(tǒng)計(jì)學(xué)等特征分析和離散、連續(xù)等分類模型等方面,鮮有人關(guān)注情緒發(fā)生的腦電本質(zhì)特征。腦電信號(hào)中的后段正電位(300~1500ms)發(fā)生在刺激呈現(xiàn)后的幾百毫秒,持續(xù)幾秒鐘,ERP后段正電位參與情緒的加工過程,其對(duì)情緒的影響作用最大的腦區(qū)位置是在在中央-頂區(qū),ERP中的后段正電位是重要的情緒識(shí)別特征。本文將研究人們忽視的腦電信號(hào)中的晚期成分,探究腦電信號(hào)后段正電位特征識(shí)別腦電信號(hào)中的情緒的效果。本文主要的工作如下:首先,采集腦電信號(hào),并對(duì)腦電信號(hào)做特征識(shí)別與分析前的預(yù)處理。在這一部分主要包括腦電信號(hào)采集實(shí)驗(yàn)的設(shè)計(jì)、被試者的選擇與情緒誘發(fā)實(shí)驗(yàn)的進(jìn)行并記錄腦電信號(hào)。本文的實(shí)驗(yàn)根據(jù)研究?jī)?nèi)容設(shè)計(jì)以圖片材料誘發(fā)被試產(chǎn)生正性、中性、負(fù)性三種情緒。采集到腦電信號(hào)后,對(duì)腦電信號(hào)進(jìn)行了預(yù)處理,主要運(yùn)用獨(dú)立分量分析方法去除腦電信號(hào)中的各種偽跡與噪聲,并最大程度保留腦電成分。其次,提取腦電信號(hào)特征并分析。本文提取了腦電信號(hào)中的后段正電位特征,并提取了三個(gè)時(shí)頻特征進(jìn)行對(duì)比分析。通過對(duì)平均事件相關(guān)電位的方差分析發(fā)現(xiàn),在某些導(dǎo)聯(lián)上,后段正電位早期(300 ms~600 ms)、中期(600ms~1000 ms)和晚期(1000 ms~1500 ms)具有顯著性差異,被試者的后段正電位的早期(300 ms~600 ms)在枕葉區(qū)、顳葉區(qū)以及頂葉區(qū)的三種情緒的情緒特征差異明顯,說明被試者的后段正電位參與了被試者的情緒反應(yīng)和調(diào)節(jié),后段正電位特征能夠?qū)φ�、中性、�?fù)性情緒進(jìn)行分類。最后,對(duì)腦電信號(hào)中的情緒進(jìn)行分類識(shí)別并分析。利用支持向量機(jī)算法和K近鄰分類算法對(duì)兩類情緒特征進(jìn)行分類測(cè)試。后段正電位的早期(300~600ms)、中期(600~1000ms)以及晚期(1000~1500ms)特征能夠識(shí)別腦電信號(hào)中的正性、中性以及負(fù)性情緒種類,其中β頻段內(nèi)的后段正電位的晚期特征識(shí)別準(zhǔn)確率最高,達(dá)到83.33%,說明腦電信號(hào)的后段正電位能夠作為基于腦電信號(hào)的情緒種類識(shí)別的特征。為了進(jìn)一步說明問題,本文還提取了三種時(shí)頻特征進(jìn)行腦電信號(hào)的情緒種類識(shí)別做為對(duì)比來分析,腦電信號(hào)后段正電位特征的情緒識(shí)別準(zhǔn)確率比時(shí)頻特征的情緒識(shí)別準(zhǔn)確率高�？梢宰C明本文探究的腦電信號(hào)的后段正電位特能夠識(shí)別腦電信號(hào)中的正性、中性、負(fù)性情緒種類,為腦電信號(hào)的情緒種類識(shí)別提供了一種方法。
[Abstract]:How to accurately interpret the emotional state of humans is artificial intelligence, medical, computer and other fields of scientific research workers need to solve the problem, in the emotion recognition research field, scholars continue to have made some progress, but we still need to continue efforts. At present, the heat of emotion recognition of EEG signals based on the grow with each passing day application of non implantable electrodes. So EEG signal acquisition faster and more convenient, but also to the relevant results based on EEG signal to life possible. Due to the people's life and work pressure is relatively large, there are many potential psychological problems, for many, many years to come for the health danger,. Emotion recognition of EEG signals to identify individual EEG emotion types based on, even on the surface of individual mood be disguised, but EEG signal can be true Reflect the individual's mental state, to provide help for the next adjustment, to solve the potential problems for their physical health and mental health security. At the same time, provides a method for identification of electroencephalogram in emotion interactive emotional intelligence and disease. The EEG has a study of emotion recognition time, the main research method in time domain, frequency domain, time-frequency characteristics, statistical analysis and discrete, continuous classification model, people pay little attention to the essential characteristics of EEG emotion. After EEG positive potentials (300~1500ms) in the hundreds of milliseconds after stimulus, lasting a few second, the process of ERP after the positive potential brain areas involved in emotional, position of the largest influence on the role of emotions in the central parietal region, after ERP in the positive potential is an important emotion recognition feature. In this paper The advanced components of EEG research neglected in the study of EEG after normal EEG feature recognition potential in the emotion effect. The main work of this paper is as follows: firstly, the EEG signal acquisition, preprocessing and recognition and analysis of the characteristics of the EEG in the design of this part. Including the EEG signal acquisition experiment, subjects selection and emotional experiments conducted and recorded EEG signals. The experimental design according to the research content positively, to picture materials induced by three kinds of neutral subjects, negative mood. The collected EEG, EEG. The pretreatment, mainly using independent component analysis method to remove various artifacts and noise in EEG, and retain the greatest degree of brain electrical components. Secondly, EEG feature extraction and analysis. In this paper, the extraction of EEG in posterior segment positive characteristics A comparative analysis, and extract the frequency characteristics of three. The average variance of event-related potential analysis found that in some leads, after the early period of positive potential (300 ms~600 MS), mid (600ms~1000 MS) and late (1000 ms~1500 MS) with significant differences, the early period of subjects positive potential (300 ms~600 MS) in the occipital region, differences in emotional characteristics of three kinds of emotions and temporal parietal regions is obvious, that the subjects of the posterior segment is involved in emotional responses to potential participants and adjust, after the positive potential characteristics can be of positive, neutral, negative emotion classification. Finally, classification and analysis of EEG in the mood. The support vector machine algorithm and K neighbor classification algorithm to classify the test for two types of emotional features. Early after a positive potential (300~600ms), middle (600~1000ms) and late (1000~1500ms) feature can Positive identification of EEG, neutral and negative emotion types, including advanced feature recognition after the beta band positive potential, the highest accuracy rate reached 83.33%, the segment of EEG positive potentials can be used as features of emotion identification based on EEG. In order to further illustrate the problem, this paper also extracts the frequency characteristics of the emotion recognition of EEG signals of three kinds of the contrast analysis, emotion recognition of emotion recognition of EEG after positive potential characteristics of accuracy of characteristic frequency ratio when high accuracy. After EEG signals can prove that this paper explores the positive potential to positive characteristics identification, EEG neutral, negative emotion categories, provides a method for recognition of emotional EEG signals.

【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R318;TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 魯強(qiáng);劉玉軍;徐建蘭;張進(jìn)祿;;一種適用于清醒動(dòng)物腦電信號(hào)采集的固定裝置[J];首都醫(yī)科大學(xué)學(xué)報(bào);2011年06期

2 ;腦電信號(hào)處理的研究取得階段性成果[J];河北師范大學(xué)學(xué)報(bào);1987年01期

3 李志瑞;張文杰;;通用腦電信號(hào)處理——微機(jī)系統(tǒng)初探[J];河北師范大學(xué)學(xué)報(bào);1988年Z1期

4 孟欣，歐陽楷;腦電信號(hào)的幾個(gè)非線性動(dòng)力學(xué)分析方法[J];北京生物醫(yī)學(xué)工程;1997年03期

5 吳小培,馮煥清,周荷琴,王濤;獨(dú)立分量分析及其在腦電信號(hào)預(yù)處理中的應(yīng)用[J];北京生物醫(yī)學(xué)工程;2001年01期

6 李英遠(yuǎn),周衛(wèi)東;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在腦電信號(hào)建模中的應(yīng)用[J];山東生物醫(yī)學(xué)工程;2002年02期

7 劉大路,江朝暉,馮煥清,王聰;基于腦電信號(hào)時(shí)空分布信息的思維特征研究[J];北京生物醫(yī)學(xué)工程;2004年02期

8 許崇濤,沈民奮,李慧,朱國(guó)平;雙譜分析方法在腦電信號(hào)分析中的應(yīng)用[J];中國(guó)行為醫(yī)學(xué)科學(xué);2004年03期

9 湯曉軍,宋卓,楊卓,張濤;雙任務(wù)事件中腦電信號(hào)的熵計(jì)算(英文)[J];生物物理學(xué)報(bào);2005年05期

10 蔣辰偉;章悅;曹洋;朱國(guó)行;顧凡及;王斌;;腦死亡與腦昏迷腦電信號(hào)的復(fù)雜度研究[J];生物物理學(xué)報(bào);2008年02期

相關(guān)會(huì)議論文 前10條

1 薛蘊(yùn)全;王秋英;王宏;;腦電信號(hào)的動(dòng)態(tài)時(shí)空響應(yīng)拓?fù)鋱D[A];中國(guó)儀器儀表學(xué)會(huì)第三屆青年學(xué)術(shù)會(huì)議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號(hào)診斷專家系統(tǒng)的研究[A];中國(guó)生理學(xué)會(huì)第21屆全國(guó)代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2002年

3 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號(hào)采集方法與應(yīng)用研究[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

4 許濤;朱林劍;包海濤;;基于思維腦電信號(hào)的假手的研究[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國(guó)家——2006中國(guó)科協(xié)年會(huì)論文集（下冊(cè)）[C];2006年

5 李愛新;孫鐵;郭炎峰;;基于人工神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)模式分類[A];自動(dòng)化技術(shù)與冶金流程節(jié)能減排——全國(guó)冶金自動(dòng)化信息網(wǎng)2008年會(huì)論文集[C];2008年

6 童珊;黃華;陳槐卿;;混沌理論在腦電信號(hào)分析中的應(yīng)用[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

7 李凌;曾慶寧;堯德中;;利用兩級(jí)抗交叉串?dāng)_自適應(yīng)濾波器提取誘發(fā)腦電信號(hào)[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

8 葛家怡;周鵬;王明時(shí);;睡眠腦電信號(hào)樣本熵的研究[A];中國(guó)生物醫(yī)學(xué)工程進(jìn)展——2007中國(guó)生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2007年

9 李麗君;黃思娟;吳效明;熊冬生;;基于運(yùn)動(dòng)想象的腦電信號(hào)特征提取與分類[A];中國(guó)儀器儀表學(xué)會(huì)醫(yī)療儀器分會(huì)2010兩岸四地生物醫(yī)學(xué)工程學(xué)術(shù)年會(huì)論文集[C];2010年

10 葛家怡;周鵬;王明時(shí);;睡眠腦電信號(hào)樣本熵的研究[A];天津市生物醫(yī)學(xué)工程學(xué)會(huì)2007年學(xué)術(shù)年會(huì)論文摘要集[C];2007年

相關(guān)重要報(bào)紙文章 前2條

1 張文清　記者 王春;意念控制車速及左右轉(zhuǎn)彎前行[N];科技日?qǐng)?bào);2008年

2 本報(bào)記者 帥弋;協(xié)調(diào)組進(jìn)場(chǎng)全面監(jiān)督[N];貴陽日?qǐng)?bào);2009年

相關(guān)博士學(xué)位論文 前10條

1 彭宏;普適化腦電信息感知關(guān)鍵問題的研究[D];蘭州大學(xué);2015年

2 吳玉鵬;AR譜在皮層癇樣腦電信號(hào)分析應(yīng)用[D];河北醫(yī)科大學(xué);2015年

3 馬小飛;認(rèn)知任務(wù)下的腦電動(dòng)力學(xué)分析[D];南京大學(xué);2017年

4 吳畏;基于統(tǒng)計(jì)建模的多導(dǎo)聯(lián)腦電信號(hào)時(shí)空建模方法研究[D];清華大學(xué);2012年

5 孫宇舸;腦—機(jī)接口系統(tǒng)中腦電信號(hào)處理方法的研究[D];東北大學(xué);2012年

6 周群;腦電信號(hào)同步：方法及應(yīng)用研究[D];電子科技大學(xué);2009年

7 趙麗;基于腦電信號(hào)的腦-機(jī)接口技術(shù)研究[D];天津大學(xué);2004年

8 李春勝;腦電信號(hào)混沌特性的研究與應(yīng)用[D];東北大學(xué);2011年

9 歐陽高翔;癲癇腦電信號(hào)的非線性特征識(shí)別與分析[D];燕山大學(xué);2010年

10 繆曉波;基于腦電信號(hào)的認(rèn)知?jiǎng)恿W(xué)系統(tǒng)研究——線性/非線性方法及動(dòng)態(tài)時(shí)—頻—空分析[D];重慶大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 王鳳;基于EEG信號(hào)后段正電位特征的情緒識(shí)別[D];鄭州大學(xué);2017年

2 于洪;基于腦電信號(hào)的警覺度估計(jì)[D];上海交通大學(xué);2007年

3 蔣潔;基于高性能計(jì)算的腦電信號(hào)分析[D];燕山大學(xué);2010年

4 張志琴;腦電信號(hào)的復(fù)雜性分析[D];中南大學(xué);2009年

5 許鳳娟;腦電信號(hào)采集與分析系統(tǒng)的設(shè)計(jì)[D];長(zhǎng)春理工大學(xué);2011年

6 曹銘;意識(shí)障礙患者腦電信號(hào)的非線性動(dòng)力學(xué)評(píng)價(jià)分析[D];杭州電子科技大學(xué);2012年

7 薛吉星;多通道腦電信號(hào)采集與處理系統(tǒng)研究[D];華南理工大學(xué);2015年

8 劉靜;基于加權(quán)排序熵的多通道腦電信號(hào)同步算法研究[D];燕山大學(xué);2015年

9 陳澤濤;基于腦電信號(hào)分析的AD早期評(píng)估系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];燕山大學(xué);2015年

10 王歡;基于非平穩(wěn)時(shí)間序列分析方法的腦電信號(hào)模式識(shí)別[D];蘇州大學(xué);2015年

，

本文編號(hào)：1384180