隨著機器學習算法以及深度學習算法在人工智能領域的飛速發(fā)展,我們對人工智能在生活中的應用產(chǎn)生了更高的要求。情感是人類的腦部產(chǎn)生的一種對外界事物的精神反饋,計算機對人類情感的識別和模擬是計算機智能化的重要標志之一。通過機器學習的方法對腦電波(Electroencephalogram,EEG)信號進行分析并對情感進行分類成為了目前人工智能和人機交互領域比較前沿的研究方向。腦電信號是通過多個通道采樣的,使得它的特征向量具有高維度特性。由于情感腦電信號并非與所有的腦電通道相關,導致在通過腦電信號進行情感分類時會出現(xiàn)一定程度的通道冗余和維數(shù)災難。針對情感腦電信號在大腦中的稀疏特性,本文做了以下研究:首先,對以音樂視頻為誘因的多重生理模態(tài)的情感腦電數(shù)據(jù)集DEAP進行了研究,完成情感腦電信號的時域特征和頻域特征的提取。運用小波變換算法和快速傅里葉變換算法提取DEAP情感腦電信號的delta節(jié)律(0.5-3Hz)、theta節(jié)律(4-7Hz)、alpha節(jié)律(8-13Hz)、beta節(jié)律(14-30Hz),gamma節(jié)律(31-47Hz)五個節(jié)律波段;運用經(jīng)驗模態(tài)分解算法計算出腦電信號的四層內(nèi)蘊模態(tài)函數(shù)...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要工作
第2章 基于稀疏表示的腦電(EEG)情感分類
    2.1 DEAP數(shù)據(jù)集
    2.2 算法框架
    2.3 數(shù)據(jù)歸一化及小波變換特征提取
        2.3.1 數(shù)據(jù)歸一化
        2.3.2 小波變換
    2.4 功率譜分析
    2.5 稀疏表示
        2.5.1 稀疏表示分類(SRC)算法模型
        2.5.2 貪婪算法求解
        2.5.3 凸優(yōu)化算法求解
    2.6 實驗結果分析
    2.7 本章小結
第3章 引入稀疏組Lasso的稀疏表示情感分類
    3.1 算法框架
    3.2 情感腦電信號預處理
    3.3 特征提取
        3.3.1 時域特征
        3.3.2 時頻特征
    3.4 引入稀疏組Lasso的稀疏表示算法
        3.4.1 Lasso及其發(fā)展
        3.4.2 稀疏組Lasso在 SRC算法中的應用
        3.4.3 塊坐標下降算法
    3.5 實驗結果分析
    3.6 本章小結
第4章 結束語
參考文獻
致謝
攻讀碩士學位期間從事的科研工作及取得的成果



本文編號：3871010