本文關鍵詞： 腦電 情緒識別 漂移數據 擬合求差 支持向量機　出處：《華中科技大學學報(自然科學版)》2017年09期 　論文類型：期刊論文

【摘要】：本研究針對腦電信號在采集過程中出現的漂移情況,采用支持向量機分類器,分析了節(jié)律對數功率、分形維數和信號熵等9種特征,研究了腦電漂移數據對情緒分類的影響;同時,采用擬合求差的方法,嘗試對腦電漂移數據進行校正.實驗結果表明:腦電漂移數據會導致情緒分類正確率下降,而擬合求差法可以在一定程度上補償漂移數據對分類造成的不利影響.仿真結果顯示:不存在漂移數據時,樣本熵和θ節(jié)律功率對數兩種特征的情緒分類效果最好,而存在未經校正的漂移數據時,δ節(jié)律功率對數特征的情緒分類結果最好;漂移數據校正后,樣本熵和δ節(jié)律功率對數兩種特征的情緒分類結果最好.
[Abstract]:In this study, support vector machine (SVM) classifier is used to analyze 9 features of rhythm logarithmic power, fractal dimension and signal entropy, and the influence of EEG drift data on emotion classification is studied. At the same time, the fitting method is used to correct the EEG drift data. The experimental results show that the EEG drift data will lead to a decrease in the correct rate of emotion classification. However, the fitting method can compensate for the adverse effect of drift data on classification to some extent. The simulation results show that when there is no drift data, the classification effect of sample entropy and 胃 rhythm power logarithm is the best. When there are uncorrected drift data, the emotion classification results of 未 rhythm power logarithm feature are the best, and after drift data correction, sample entropy and 未 rhythm power logarithm feature have the best emotion classification results.
【作者單位】： 北京航空航天大學電子信息工程學院;中國空空導彈研究院;
【基金】：高等學校博士學科點專項科研基金資助項目(20121102130001) 國家自然科學基金資助項目(61603013)
【分類號】：R318;TN911.7
，

本文編號：1538359