一直以來,情緒是心理學(xué)、教育學(xué)、信息科學(xué)等多個(gè)學(xué)科的研究熱點(diǎn),腦電信號(hào)（EEG）因其客觀、不易偽裝的特點(diǎn),在情緒識(shí)別領(lǐng)域受到廣泛關(guān)注。由于人類情緒是大腦多個(gè)腦區(qū)相互作用產(chǎn)生的,該文提出一種基于同步性腦網(wǎng)絡(luò)的支持張量機(jī)情緒分類算法（SBN-STM）,該算法采用相位鎖定值（PLV）構(gòu)建了同步性腦網(wǎng)絡(luò),分析多導(dǎo)聯(lián)腦電信號(hào)之間的同步性和相關(guān)性,并生成2階張量序列作為訓(xùn)練集,運(yùn)用支持張量機(jī)（STM）模型實(shí)現(xiàn)正負(fù)情緒的二分類。該文基于DEAP腦電情緒數(shù)據(jù)庫,詳細(xì)分析了同步性腦網(wǎng)絡(luò)張量序列的選取方法,最佳張量序列窗口的大小和位置,解決了傳統(tǒng)情緒分類算法特征冗余的問題,提高了模型訓(xùn)練速度。仿真實(shí)驗(yàn)表明,基于支持張量機(jī)的同步性腦網(wǎng)絡(luò)分類方法的情緒準(zhǔn)確率優(yōu)于支持向量機(jī)、C4.5決策樹、人工神經(jīng)網(wǎng)絡(luò)、K近鄰等以向量為特征的情緒分類模型。 

【文章來源】：電子與信息學(xué)報(bào). 2020,42(10)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

SBN-STM算法架構(gòu)圖

帕渴?菁?算的復(fù)雜性以及支持張量機(jī)適用于小樣本分類的特性，為減少訓(xùn)練時(shí)間，提高效率，本文首先設(shè)定一個(gè)固定窗口，通過滑窗的方法依次進(jìn)行STM訓(xùn)練，設(shè)定窗口滑動(dòng)步長(zhǎng)為。記窗口中點(diǎn)位置為時(shí)刻，選取最優(yōu)準(zhǔn)確率下的時(shí)刻作為最優(yōu)張量序列窗口中點(diǎn)位置。窗口示意圖如圖2所示。2.3.2張量序列窗口大小選取方法TSt選定最優(yōu)張量序列窗口中點(diǎn)位置后，進(jìn)行最優(yōu)窗口大小的選齲以最優(yōu)張量序列窗口中點(diǎn)位置為起始點(diǎn)，設(shè)置正負(fù)情緒樣本空間窗口半徑初始值為s。以s為步長(zhǎng)擴(kuò)展窗口半徑，依次進(jìn)行STM圖2張量序列窗口示意圖2464電子與信息學(xué)報(bào)第42卷

聯(lián)位置如圖4所示。觀看完MV后，所有被試均進(jìn)行打分，按照1～9的分值區(qū)間，標(biāo)記所觀看MV的有效價(jià)(Valence)、喚醒度(Arousal)、優(yōu)勢(shì)度(Dominance)數(shù)值。其中Valence表征了被試者觀看完視頻后的情緒狀況，Valence值越高表示被試者情緒為正向情緒，反之，Valence值越低表示被試者情緒為負(fù)向情緒。為避免出現(xiàn)模棱兩可的非標(biāo)準(zhǔn)情緒，本文根據(jù)Valence值對(duì)被試情緒進(jìn)行式(14)的劃分情緒類別={正,5.5≤Valence≤9負(fù),1≤Valence≤3.5(14)圖3窗口半徑為1s的張量序列示意圖第10期黃麗亞等：基于同步性腦網(wǎng)絡(luò)的支持張量機(jī)情緒分類研究2465

【參考文獻(xiàn)】：
期刊論文
[1]基于組獨(dú)立成分分析方法的情緒刺激對(duì)腦部激活區(qū)域的研究[J]. 武杰,周春宇,楊葉,付令.  生物醫(yī)學(xué)工程學(xué)進(jìn)展. 2018(03)
[2]Discrimination of Motor Imagery Patterns by Electroencephalogram Phase Synchronization Combined With Frequency Band Energy[J]. Chuanwei Liu,Yunfa Fu,Jun Yang,Xin Xiong,Huiwen Sun,Zhengtao Yu.  IEEE/CAA Journal of Automatica Sinica. 2017(03)
[3]基于因果強(qiáng)度的時(shí)序因果關(guān)系發(fā)現(xiàn)算法[J]. 郝志峰,謝蔚濤,蔡瑞初,王麗娟,洪英漢.  計(jì)算機(jī)工程與設(shè)計(jì). 2017(01)
[4]結(jié)合GLCM與三階張量建模的在線目標(biāo)跟蹤[J]. 金廣智,石林鎖,崔智高,劉浩,牟偉杰.  電子與信息學(xué)報(bào). 2016(07)
[5]基于聯(lián)合優(yōu)化松弛交替投影的組網(wǎng)雷達(dá)恒模波形設(shè)計(jì)[J]. 馮翔,陳志坤,趙宜楠,周志權(quán).  電子與信息學(xué)報(bào). 2016(07)
[6]基于生理大數(shù)據(jù)的情緒識(shí)別研究進(jìn)展[J]. 趙國(guó)朕,宋金晶,葛燕,劉永進(jìn),姚林,文濤.  計(jì)算機(jī)研究與發(fā)展. 2016(01)
[7]基于稀疏貝葉斯網(wǎng)絡(luò)的情緒腦電的有效性腦網(wǎng)絡(luò)研究[J]. 高佳,王蔚.  生物醫(yī)學(xué)工程學(xué)雜志. 2015(05)
[8]生理信號(hào)時(shí)間序列周期性和平穩(wěn)性對(duì)近似熵和樣本熵算法的影響分析[J]. 劉澄玉,趙莉娜,劉常春.  北京生物醫(yī)學(xué)工程. 2012 (02)

碩士論文
[1]基于EEG腦網(wǎng)絡(luò)特征的情緒識(shí)別研究[D]. 趙少楷.杭州電子科技大學(xué) 2018



本文編號(hào)：3372402