本文關(guān)鍵詞： 腦電信號 情感識別 時頻分析 二次型時頻分布 D-S證據(jù)組合理論　出處：《太原理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：情感識別是人機(jī)交互技術(shù)中一個重要的研究領(lǐng)域。通過讓計(jì)算機(jī)感知到人類的情感狀態(tài)以及情感的變化,使其能夠?qū)θ祟惖男袨橛幸缓唵蔚恼J(rèn)知識別并不斷完善其人機(jī)交互的方式,提高人性化水平。在情感識別研究中,除了使用到情感語音、情感詞匯及面部表情等外部行為外,人體產(chǎn)生的生理信號也可以用作情感識別。腦電信號(Electroencephalogram,EEG)是生理信號中一個重要的組成部分,它反映的是大腦皮層神經(jīng)元的電位活動,它具有安全、實(shí)時性好等特點(diǎn)。由于大腦是人體的高級神經(jīng)中樞,其與人體的生理活動及心理活動有著極其密切的聯(lián)系。因此,可以借助于EEG來判別人的情感狀態(tài)。由于大腦結(jié)構(gòu)的復(fù)雜性,導(dǎo)致EEG具有非平穩(wěn)性、隨機(jī)性等特點(diǎn),并且EEG還容易受到其它生理信號及外界的干擾,這些都對EEG有效成分的提取及情感的識別造成了不小困難。因此,相對其它情感識別方式而言,基于EEG的情感識別研究還尚處在起始階段。本文首先對情感模型、EEG特征、EEG與情感的聯(lián)系以及EEG分析中常用的分析方式分別作了介紹,然后針對EEG節(jié)律的提取分離以及EEG多個節(jié)律整合識別的問題,分別展開研究并取得了一定的進(jìn)展。本文主要研究如下:(1)利用時頻分析在非線性信號分析處理中的優(yōu)勢,將時頻分析引入盲源分離算法中,提出基于時頻盲源分離的EEG情感識別。利用時頻分析能夠有效地提取非平穩(wěn)信號EEG中的時變局部特征以及源信號在時—頻域具有的時頻多樣性,從而分離出觀測信號中的有效成分。通過與其他方法的實(shí)驗(yàn)結(jié)果對比,檢驗(yàn)了其分離的效果。(2)此外,還針對二次型時頻域聯(lián)合分析中常見的交叉項(xiàng)干擾問題,以維格納分布為例,對交叉項(xiàng)抑制問題作了較為深入的分析,并運(yùn)用重排理論對時頻域中的能量分布作了再次分配,從而引出了維格納分布的另一種重要改進(jìn)型——重排維格納分布,并在此基礎(chǔ)上,引出了基于重排維格納分布的盲源分離算法,通過實(shí)驗(yàn)檢驗(yàn)了算法的分離效果。(3)針對EEG情感識別中存在的特征維度空間大、多節(jié)律整合難的問題,從信息融合的角度出發(fā),提出將D-S證據(jù)組合理論應(yīng)用于EEG的情感識別中。利用信息融合技術(shù)中經(jīng)典的D-S證據(jù)組合理論,通過多個并行的BP識別網(wǎng)絡(luò)分別作不同的單一節(jié)律情感識別,然后將每個BP識別網(wǎng)絡(luò)作為一個獨(dú)立的證據(jù)體,再通過D-S理論對各BP網(wǎng)絡(luò)的識別結(jié)果作融合判定,最終得到?jīng)Q策結(jié)果。能得到比單一節(jié)律或多個節(jié)律簡單整合更為準(zhǔn)確、可靠的結(jié)果。還降低了特征空間維度,為多節(jié)律識別提供了更多的選擇。此外,還針對D-S理論中出現(xiàn)的一些問題,對其作了改進(jìn),通過實(shí)驗(yàn)檢驗(yàn)了改進(jìn)后的性能。
[Abstract]:Emotion recognition is an important research field in human-computer interaction technology. So that it can recognize human behavior and improve its human-computer interaction. In the research of emotion recognition, it not only uses external behaviors such as emotional speech, emotional vocabulary and facial expression, but also improves the level of humanization. The physiological signals produced by the human body can also be used as emotional recognition. Electroencephaloencephalogram (EGG) is an important component of physiological signals, which reflects the potential activity of cortical neurons and is safe. Because the brain is the advanced nerve center of the human body, it is closely related to the physiological and psychological activities of the human body. Therefore, the EEG can be used to judge the emotional state of the human body. As a result, EEG has the characteristics of non-stationary and randomness, and EEG is vulnerable to other physiological signals and external interference, which make it difficult to extract the effective components of EEG and to recognize emotion. Compared with other affective recognition methods, the research of affective recognition based on EEG is still in its infancy. Firstly, this paper introduces the relationship between EEG features and emotion and the analysis methods commonly used in EEG analysis. Then, aiming at the problems of EEG rhythm extraction and separation and the integration of EEG rhythm recognition, the research has been carried out and some progress has been made. In this paper, we mainly study the advantages of time-frequency analysis in nonlinear signal analysis and processing, which are as follows: (1) in this paper, we make use of the advantages of time-frequency analysis in nonlinear signal analysis and processing. Time-frequency analysis is introduced into blind source separation algorithm. EEG emotion recognition based on blind time-frequency source separation is proposed. The time-frequency analysis can effectively extract the time-varying local characteristics of non-stationary signals in EEG and the time-frequency diversity of source signals in time-frequency domain. By comparing with the experimental results of other methods, the effect of separation is tested. In addition, the common crossover interference problem in quadratic time-frequency domain joint analysis is also discussed. Taking Wigner distribution as an example, the cross-term suppression problem is analyzed in depth, and the energy distribution in time-frequency domain is redistributed by using the theory of rearrangement. Thus, another important modified Wigner distribution, rearrangement Wigner distribution, is introduced. On this basis, a blind source separation algorithm based on rearrangement Wigner distribution is proposed. The separation effect of the algorithm is tested by experiments. (3) aiming at the problems of large space of feature dimension and difficult integration of multi-rhythm in EEG emotion recognition, this paper starts from the angle of information fusion. The D-S evidence combination theory is applied to the emotion recognition of EEG. Using the classical D-S evidence combination theory in information fusion technology, different single rhythm emotion recognition is made through multiple parallel BP recognition networks. Then each BP recognition network is regarded as an independent evidence body, and then the recognition results of each BP network are fused and judged by D-S theory. Finally, the decision result is obtained, which is more accurate than the simple integration of single rhythm or multiple rhythms. Reliable results. It also reduces the dimension of feature space and provides more choices for multi-rhythm recognition. In addition, some problems in D-S theory are improved, and the improved performance is tested by experiments.
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R318;TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前4條

1 葛臣;劉光遠(yuǎn);龍正吉;;情感識別中脈搏信號的特征提取與分析[J];西南師范大學(xué)學(xué)報(自然科學(xué)版);2010年03期

2 程響林;王萬森;;基于情感識別的適應(yīng)性教學(xué)系統(tǒng)的研究[J];科技信息;2007年08期

3 姜曉慶;田嵐;崔國輝;;多語種情感語音的韻律特征分析和情感識別研究[J];聲學(xué)學(xué)報;2006年03期

4 黃力行;辛樂;趙禮悅;陶建華;;自適應(yīng)權(quán)重的雙模態(tài)情感識別[J];清華大學(xué)學(xué)報(自然科學(xué)版);2008年S1期

相關(guān)會議論文 前9條

1 解迎剛;王志良;程寧;王國江;永井正武;;人臉與眼部檢測及其在情感識別中的應(yīng)用[A];第25屆中國控制會議論文集（下冊）[C];2006年

2 解迎剛;王志良;楊溢;邵彥娟;;基于改進(jìn)蟻群算法的多模態(tài)情感識別研究[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

3 王志強(qiáng);熊子?xùn)|;傅向華;;基于螺旋模型的歌曲情感識別算法研究[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2011)論文集【oral】[C];2011年

4 鮑軍榮;李文鋒;壽小云;嵇來春;;基于客觀化脈搏振動覺的恐懼情感識別研究[A];心理學(xué)與創(chuàng)新能力提升——第十六屆全國心理學(xué)學(xué)術(shù)會議論文集[C];2013年

5 楊廣映;楊善曉;;基于表面肌電信號的情感識別研究[A];第三屆中國智能計(jì)算大會論文集[C];2009年

6 張偉;謝湘;;基于HMM的音樂情感識別研究[A];第九屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集[C];2007年

7 戴明洋;楊大利;徐明星;張永超;陳勝;;面向真實(shí)情感識別的訓(xùn)練語音選擇研究[A];第十一屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集（一）[C];2011年

8 黃力行;辛樂;趙禮悅;陶建華;;自適應(yīng)權(quán)重的雙模態(tài)情感識別[A];第九屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集[C];2007年

9 崔玉路;蔣冬梅;張曉靜;謝磊;付中華;Ping Fan;Hichem Sahli;;基于三特征流DBN模型的聽視覺情感識別[A];第十一屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集（一）[C];2011年

相關(guān)重要報紙文章 前2條

1 記者　邰舉;韓開發(fā)出腦電波情感識別技術(shù)[N];科技日報;2007年

2 黃力行邋陶建華;多模態(tài)情感識別參透人心[N];計(jì)算機(jī)世界;2007年

相關(guān)博士學(xué)位論文 前3條

1 林奕琳;基于語音信號的情感識別研究[D];華南理工大學(xué);2006年

2 朱亞忱;基于特權(quán)信息的情感識別[D];中國科學(xué)技術(shù)大學(xué);2015年

3 張石清;基于語音和人臉的情感識別研究[D];電子科技大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 李承程;基于深度學(xué)習(xí)的文本語音耦合情感識別方法研究[D];合肥工業(yè)大學(xué);2015年

2 沈成業(yè);基于腦電信號的情感識別[D];太原理工大學(xué);2017年

3 郭敏;基于腦電圖的誘發(fā)型情感識別及機(jī)制研究[D];華僑大學(xué);2017年

4 楊敏;非線性特征用于心電信號的情感識別[D];西南大學(xué);2013年

5 劉俸汝;基于皮膚電情感識別的情感調(diào)節(jié)策略研究[D];西南大學(xué);2013年

6 荀立晨;基于心電信號的情感識別研究[D];天津理工大學(xué);2013年

7 聶聃;基于腦電的情感識別[D];上海交通大學(xué);2012年

8 馬亮軍;基于語音的模糊案例推理情感識別算法研究[D];華東理工大學(xué);2013年

9 劉碧英;非線性特征組合用于皮膚電情感識別的研究[D];西南大學(xué);2013年

10 徐亞;基于心電信號的情感識別研究[D];西南大學(xué);2010年

，

本文編號：1511127