當(dāng)今社會,壓力無處不在,中青年人心理亞健康的狀況普遍存在。對于心理承受能力較弱的人群,長期受負(fù)面情緒困擾,易發(fā)展成焦慮癥、多動癥、抑郁癥等神經(jīng)性心理疾病。對于老年群體,長期的情緒壓抑,增加了神經(jīng)退行性疾病（例如,阿爾茲海默癥）的發(fā)病機率。本文將音樂治療、腦電圖（Electroencephalogram,EEG）與情緒分析三者結(jié)合,在不同音樂環(huán)境下,對左右腦區(qū)產(chǎn)生的EEG信號與情緒分類展開研究。經(jīng)過分析,可總結(jié)出:在正向音樂刺激下,左腦區(qū)敏感性較好,存在情緒偏側(cè)性;右腦區(qū)在負(fù)向音樂刺激下,敏感性較好,有情緒偏側(cè)性表現(xiàn)。此外,研究發(fā)現(xiàn),提取EEG信號的小波能量熵（Wavelet Energy Entropy,WEE）特征作為設(shè)計優(yōu)化后深度信念網(wǎng)絡(luò)（Deep Belief Network,DBN）模型的輸入,在區(qū)分腦區(qū)、區(qū)分不同音樂環(huán)境的條件下,可得到左右腦區(qū)EEG信號的平均情緒分類準(zhǔn)確度為84.20%、83.07%。與在混合音樂環(huán)境下,DBN、受限玻爾茲曼機（Restricted Boltzmann Machines,RBM）、K最近鄰（k-Nearest Neighbor,k NN）算法... 

【文章來源】：長春理工大學(xué)吉林省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

常用的EEG信號分析方法

第1章緒論8圖1.2音樂刺激下EEG信號分析框圖本文共分為5個章節(jié)，每個章節(jié)內(nèi)容安排如下：第1章緒論。本章論述了課題研究的背景與意義，深入分析了有關(guān)本論文涉及領(lǐng)域的國內(nèi)外研究現(xiàn)狀。闡述了音樂療法的相關(guān)知識和延伸研究。在腦電信號的基礎(chǔ)理論方面，對目前EEG信號的常見噪聲、分析方法、實際應(yīng)用等進行討論。通過分析，說明在音樂治療時，EEG信號可以準(zhǔn)確有效的反映情緒變化；也充分體現(xiàn)了本文提取在不同風(fēng)格音樂刺激下產(chǎn)生的EEG信號特征，分析情緒變化的研究價值。第2章腦電數(shù)據(jù)的介紹及預(yù)處理優(yōu)化。對Deap數(shù)據(jù)庫的構(gòu)建過程和SAM表進行了具體分析，補充說明了自采集數(shù)據(jù)集，后續(xù)用作對EEG信號的輔助分析。然后，選取Deap數(shù)據(jù)庫中的EEG信號，針對腦電信號振幅微弱的特性，借鑒前人研究，采用EMD、FastICA等方法對原始信號降噪，并將兩種算法結(jié)合實現(xiàn)對信號的優(yōu)化去噪。利用弱信號檢測中的SNIR、能量均值和MAPE衡量降噪能力，確保能夠得到較為純凈的EEG信號。第3章不同風(fēng)格音樂刺激下的EEG特征提齲本章首先對Deap數(shù)據(jù)庫提供的標(biāo)簽進行分析，然后對音樂刺激時產(chǎn)生的EEG信號提取特征，將其作為表征原始腦電信號的重點信息，為后續(xù)情緒分類時提供特征向量等信息做準(zhǔn)備。總結(jié)出在不同音樂環(huán)境下，左右腦區(qū)的敏感性關(guān)系。第4章基于DBN模型的情緒分類研究。主要研究了深度學(xué)習(xí)中的DBN算法，說明了RBM、DBN的模型結(jié)構(gòu)與基本原理。在DBN分類模型成功構(gòu)建后，對左右腦在不同音樂環(huán)境下提取的EEG信號特征進行訓(xùn)練學(xué)習(xí)，統(tǒng)計情緒二分類準(zhǔn)確率。最后，與其他分類算法、前人研究成果的分類準(zhǔn)確率作對比，分析出最佳網(wǎng)絡(luò)模型；總結(jié)出在不同音樂環(huán)境中，情緒的腦偏側(cè)性表現(xiàn)。第5章總結(jié)與展望。歸納概括了論文主要開展的研究工作，指明創(chuàng)新點，分析了研究?

IT_EHV1腦電帽展示圖

【參考文獻】：
期刊論文
[1]音樂療法配合舍曲林對抑郁癥患者心理狀態(tài)及生活質(zhì)量的影響[J]. 石興科.  心理月刊. 2020(01)
[2]深度學(xué)習(xí)在故障診斷與預(yù)測中的應(yīng)用[J]. 余萍,曹潔.  計算機工程與應(yīng)用. 2020(03)
[3]太空音樂療法[J]. 占康,管春磊.  軍事文摘. 2019(24)
[4]基于EEG的音樂舒緩緊張情緒的研究[J]. 彭金歌,郭濱,沙文青,白雪梅,張晨潔.  長春理工大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[5]基于LSTM的腦電情緒識別模型[J]. 闞威,李云.  南京大學(xué)學(xué)報(自然科學(xué)). 2019(01)
[6]基于IMF能量矩的腦電情緒特征提取研究[J]. 王成龍,韋巍,李天永.  現(xiàn)代電子技術(shù). 2018(20)
[7]音樂治療用于抑郁癥患者治療中的臨床效果[J]. 偶瀟瀟.  名醫(yī). 2018(08)
[8]以功能為中心分析音樂治療在康復(fù)治療中的應(yīng)用現(xiàn)狀[J]. 田茹錦,朱玉連.  中國康復(fù)醫(yī)學(xué)雜志. 2018(08)
[9]基于定量腦電圖的音樂和燈光顏色對情緒的影響[J]. 盧偉,黃爾齊,原晉霞.  心理學(xué)報. 2018(08)
[10]綠色LED光環(huán)境對大腦集中力影響的研究[J]. 彭金歌,郭濱,白雪梅,張晨潔.  長春理工大學(xué)學(xué)報(自然科學(xué)版). 2018(03)

博士論文
[1]基于反應(yīng)時間的駕駛員疲勞狀態(tài)監(jiān)測與預(yù)警技術(shù)研究[D]. 郭夢竹.吉林大學(xué) 2017
[2]基于EEG的情緒信息特征及其分類方法研究[D]. 成敏敏.東南大學(xué) 2017
[3]特殊兒童音樂治療輔具的開發(fā)與應(yīng)用研究[D]. 汪紅.華東師范大學(xué) 2016

碩士論文
[1]基于小波變換和樣本熵的癲癇信號分類研究[D]. 吳浩博.蘭州大學(xué) 2019
[2]基于時序信息的腦電信號分類[D]. 安恩瑩.北京郵電大學(xué) 2018
[3]基于變分貝葉斯抑郁癥的腦電信號識別研究[D]. 鄭佳佳.長春理工大學(xué) 2018
[4]音樂療法對慢性病老年人情緒介入的研究[D]. 巫纖纖.上海師范大學(xué) 2018
[5]基于深度學(xué)習(xí)的音樂感知研究[D]. 王爽.長春理工大學(xué) 2018
[6]基于深度神經(jīng)網(wǎng)絡(luò)的腦電情感識別研究[D]. 陳占剛.合肥工業(yè)大學(xué) 2018
[7]小波預(yù)處理的ITD方法在腦電信號處理中的應(yīng)用研究[D]. 梁悅.太原理工大學(xué) 2017
[8]針對音樂情緒的腦電信號分析與敏感腦區(qū)研究[D]. 田彥秀.燕山大學(xué) 2017
[9]基于EEG的情緒識別[D]. 黃檸檬.華南理工大學(xué) 2016
[10]基于EEG和ERP特征信息的飲酒健康評估研究[D]. 方得勝.南京航空航天大學(xué) 2016



本文編號：3282490