發(fā)布時間：2018-01-05 17:41

  本文關鍵詞：基于EEG信號后段正電位特征的情緒識別　出處：《鄭州大學》2017年碩士論文　論文類型：學位論文

  更多相關文章： 腦電信號 情緒識別 后段正電位特征 K近鄰 SVM

【摘要】：如何準確的解讀人類的情緒狀態(tài)一直是人工智能、醫(yī)學、計算機等領域的科研工作者急需解決的問題,在情緒識別研究領域中,研究學者不斷努力已經取得了一些進展,但是,還需要我們不斷努力。目前,基于腦電信號的情緒識別研究熱度與日俱增。非植入式電極的應用讓腦電信號的采集更加方便與快捷,也讓基于腦電信號的相關成果應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,為身體健康埋下隱患。基于腦電信號的情緒識別研究能夠識別個體腦電信號中的情緒種類,即使表面上個體的情緒被偽裝,但是腦電信號能夠真實反映個體的精神狀態(tài),為接下來的調整提供幫助,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,識別人腦電信號中的情緒也人機交互的情感智能和疾病的治療提供了一種方法。腦電信號的情緒識別研究已有一段時間,主要研究的方法集中在在時域、頻域、時頻、統(tǒng)計學等特征分析和離散、連續(xù)等分類模型等方面,鮮有人關注情緒發(fā)生的腦電本質特征。腦電信號中的后段正電位(300~1500ms)發(fā)生在刺激呈現后的幾百毫秒,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別特征。本文將研究人們忽視的腦電信號中的晚期成分,探究腦電信號后段正電位特征識別腦電信號中的情緒的效果。本文主要的工作如下:首先,采集腦電信號,并對腦電信號做特征識別與分析前的預處理。在這一部分主要包括腦電信號采集實驗的設計、被試者的選擇與情緒誘發(fā)實驗的進行并記錄腦電信號。本文的實驗根據研究內容設計以圖片材料誘發(fā)被試產生正性、中性、負性三種情緒。采集到腦電信號后,對腦電信號進行了預處理,主要運用獨立分量分析方法去除腦電信號中的各種偽跡與噪聲,并最大程度保留腦電成分。其次,提取腦電信號特征并分析。本文提取了腦電信號中的后段正電位特征,并提取了三個時頻特征進行對比分析。通過對平均事件相關電位的方差分析發(fā)現,在某些導聯(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和調節(jié),后段正電位特征能夠對正性、中性、負性情緒進行分類。最后,對腦電信號中的情緒進行分類識別并分析。利用支持向量機算法和K近鄰分類算法對兩類情緒特征進行分類測試。后段正電位的早期(300~600ms)、中期(600~1000ms)以及晚期(1000~1500ms)特征能夠識別腦電信號中的正性、中性以及負性情緒種類,其中β頻段內的后段正電位的晚期特征識別準確率最高,達到83.33%,說明腦電信號的后段正電位能夠作為基于腦電信號的情緒種類識別的特征。為了進一步說明問題,本文還提取了三種時頻特征進行腦電信號的情緒種類識別做為對比來分析,腦電信號后段正電位特征的情緒識別準確率比時頻特征的情緒識別準確率高�？梢宰C明本文探究的腦電信號的后段正電位特能夠識別腦電信號中的正性、中性、負性情緒種類,為腦電信號的情緒種類識別提供了一種方法。
[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.

【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R318;TN911.7

【相似文獻】

相關期刊論文 前10條

1 魯強;劉玉軍;徐建蘭;張進祿;;一種適用于清醒動物腦電信號采集的固定裝置[J];首都醫(yī)科大學學報;2011年06期

2 ;腦電信號處理的研究取得階段性成果[J];河北師范大學學報;1987年01期

3 李志瑞;張文杰;;通用腦電信號處理——微機系統(tǒng)初探[J];河北師范大學學報;1988年Z1期

4 孟欣，歐陽楷;腦電信號的幾個非線性動力學分析方法[J];北京生物醫(yī)學工程;1997年03期

5 吳小培,馮煥清,周荷琴,王濤;獨立分量分析及其在腦電信號預處理中的應用[J];北京生物醫(yī)學工程;2001年01期

6 李英遠,周衛(wèi)東;徑向基函數神經網絡在腦電信號建模中的應用[J];山東生物醫(yī)學工程;2002年02期

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

8 許崇濤,沈民奮,李慧,朱國平;雙譜分析方法在腦電信號分析中的應用[J];中國行為醫(yī)學科學;2004年03期

9 湯曉軍,宋卓,楊卓,張濤;雙任務事件中腦電信號的熵計算(英文)[J];生物物理學報;2005年05期

10 蔣辰偉;章悅;曹洋;朱國行;顧凡及;王斌;;腦死亡與腦昏迷腦電信號的復雜度研究[J];生物物理學報;2008年02期

相關會議論文 前10條

1 薛蘊全;王秋英;王宏;;腦電信號的動態(tài)時空響應拓撲圖[A];中國儀器儀表學會第三屆青年學術會議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號診斷專家系統(tǒng)的研究[A];中國生理學會第21屆全國代表大會暨學術會議論文摘要匯編[C];2002年

3 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號采集方法與應用研究[A];大連理工大學生物醫(yī)學工程學術論文集（第2卷）[C];2005年

4 許濤;朱林劍;包海濤;;基于思維腦電信號的假手的研究[A];提高全民科學素質、建設創(chuàng)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

5 李愛新;孫鐵;郭炎峰;;基于人工神經網絡的腦電信號模式分類[A];自動化技術與冶金流程節(jié)能減排——全國冶金自動化信息網2008年會論文集[C];2008年

6 童珊;黃華;陳槐卿;;混沌理論在腦電信號分析中的應用[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

7 李凌;曾慶寧;堯德中;;利用兩級抗交叉串擾自適應濾波器提取誘發(fā)腦電信號[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

8 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

9 李麗君;黃思娟;吳效明;熊冬生;;基于運動想象的腦電信號特征提取與分類[A];中國儀器儀表學會醫(yī)療儀器分會2010兩岸四地生物醫(yī)學工程學術年會論文集[C];2010年

10 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];天津市生物醫(yī)學工程學會2007年學術年會論文摘要集[C];2007年

相關重要報紙文章 前2條

1 張文清　記者 王春;意念控制車速及左右轉彎前行[N];科技日報;2008年

2 本報記者 帥弋;協(xié)調組進場全面監(jiān)督[N];貴陽日報;2009年

相關博士學位論文 前10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 吳玉鵬;AR譜在皮層癇樣腦電信號分析應用[D];河北醫(yī)科大學;2015年

3 馬小飛;認知任務下的腦電動力學分析[D];南京大學;2017年

4 吳畏;基于統(tǒng)計建模的多導聯(lián)腦電信號時空建模方法研究[D];清華大學;2012年

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

6 周群;腦電信號同步：方法及應用研究[D];電子科技大學;2009年

7 趙麗;基于腦電信號的腦-機接口技術研究[D];天津大學;2004年

8 李春勝;腦電信號混沌特性的研究與應用[D];東北大學;2011年

9 歐陽高翔;癲癇腦電信號的非線性特征識別與分析[D];燕山大學;2010年

10 繆曉波;基于腦電信號的認知動力學系統(tǒng)研究——線性/非線性方法及動態(tài)時—頻—空分析[D];重慶大學;2004年

相關碩士學位論文 前10條

1 王鳳;基于EEG信號后段正電位特征的情緒識別[D];鄭州大學;2017年

2 于洪;基于腦電信號的警覺度估計[D];上海交通大學;2007年

3 蔣潔;基于高性能計算的腦電信號分析[D];燕山大學;2010年

4 張志琴;腦電信號的復雜性分析[D];中南大學;2009年

5 許鳳娟;腦電信號采集與分析系統(tǒng)的設計[D];長春理工大學;2011年

6 曹銘;意識障礙患者腦電信號的非線性動力學評價分析[D];杭州電子科技大學;2012年

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

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

9 陳澤濤;基于腦電信號分析的AD早期評估系統(tǒng)的設計與實現[D];燕山大學;2015年

10 王歡;基于非平穩(wěn)時間序列分析方法的腦電信號模式識別[D];蘇州大學;2015年

，

本文編號：1384180