本文關(guān)鍵詞： 情緒識(shí)別 腦電信號(hào) 小波消噪 多尺度模糊熵 多核支持向量機(jī)　出處：《杭州電子科技大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：情緒識(shí)別是運(yùn)用信號(hào)處理和分析方法對(duì)各種情緒狀態(tài)下的心理、生理或體征行為參數(shù)進(jìn)行特征提取與分類(lèi)識(shí)別,以確定人所處的情緒狀態(tài)。腦電信號(hào)是由大量神經(jīng)元突觸后電位同步綜合而形成的,是反映神經(jīng)細(xì)胞活動(dòng)情況和大腦運(yùn)行狀態(tài)的生物電信號(hào)。由于腦電信號(hào)功能特異性強(qiáng)、時(shí)間分辨率高的特點(diǎn),所以基于腦電信號(hào)情緒識(shí)別研究的應(yīng)用前景廣闊,在人機(jī)交互、游戲開(kāi)發(fā)、遠(yuǎn)程教育等眾多領(lǐng)域均有重大的或潛在的應(yīng)用價(jià)值。人的情緒具有復(fù)雜和多樣性,要對(duì)各種情緒都進(jìn)行識(shí)別是困難的,也是不現(xiàn)實(shí)的。本文根據(jù)研究課題“基于視覺(jué)刺激的腦電信號(hào)情緒識(shí)別研究”的要求,從情緒腦電識(shí)別的背景和現(xiàn)狀出發(fā),將誘發(fā)情緒的視覺(jué)刺激圖片分為積極、中性和消極三類(lèi),并使用分類(lèi)好的圖片來(lái)誘發(fā)情緒腦電信號(hào),選用額葉區(qū)的七導(dǎo)聯(lián)腦電信號(hào)開(kāi)展情緒識(shí)別研究,對(duì)情緒腦電信號(hào)的消噪、特征提取、模式分類(lèi)進(jìn)行了系統(tǒng)的分析和處理。主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:(1)為了保證刺激圖片可正確地誘發(fā)被試者相應(yīng)的情緒腦電信號(hào),設(shè)置了刺激圖片分類(lèi)標(biāo)準(zhǔn),分為積極、中性和消極三類(lèi)。本文先讓被試者們利用自我評(píng)價(jià)假人得到圖片的愉悅度和喚醒度的個(gè)人評(píng)分,求個(gè)人評(píng)分的平均值得到圖片的平均評(píng)分。然后根據(jù)情緒的劃分和愉悅度與喚醒度之間的關(guān)系,設(shè)定了圖片分類(lèi)的標(biāo)準(zhǔn),將愉悅度高,喚醒度也高的圖片定為積極圖片;將愉悅度平,喚醒度也平的圖片定為中性圖片;將愉悅度低,但喚醒度高的圖片定為消極圖片。被試人員依照這個(gè)分類(lèi)標(biāo)準(zhǔn)對(duì)圖片類(lèi)別進(jìn)行劃分,并將平均評(píng)分不滿(mǎn)足這個(gè)標(biāo)準(zhǔn)的圖片去除,以確保刺激圖片的有效性和可信度。(2)為了在情緒腦電信號(hào)消噪時(shí)更好地保留細(xì)節(jié)信息,提出了一種基于SA4多小波的腦電信號(hào)消噪方法。采用重復(fù)采樣預(yù)濾波方法對(duì)腦電信號(hào)預(yù)處理,利用SA4多小波分解算法處理并得到多維多小波系數(shù)。對(duì)各層多小波系數(shù)軟閾值處理后,進(jìn)行多小波重構(gòu)得到消噪后的腦電信號(hào)。仿真結(jié)果表明,相比于db4小波算法,SA4多小波算法能使消噪后情緒腦電信號(hào)具有更佳的信噪比和均方誤差,并能減少消噪時(shí)的信息丟失。(3)因?yàn)槟：責(zé)o法度量不同尺度因子下的復(fù)雜性,本文選擇使用多尺度模糊熵算法進(jìn)行特征提取。并針對(duì)實(shí)驗(yàn)采集的情緒腦電信號(hào)較短,會(huì)對(duì)多尺度模糊熵算法中的尺度因子產(chǎn)生限制的問(wèn)題,改進(jìn)了其中的粗�；惴�。使用基于改進(jìn)粗�；亩喑叨饶：厮惴ㄌ崛√卣飨蛄�,并進(jìn)行歸一化處理,最后使用主成分分析方法進(jìn)行特征降維,運(yùn)用于模式分類(lèi)。仿真結(jié)果表明,相比于模糊熵特征,多尺度模糊熵可更好地提升分類(lèi)的平均識(shí)別率。(4)為了增加樣本在特征空間的可分性,將多核支持向量機(jī)引入情緒分類(lèi)領(lǐng)域,并結(jié)合徑向基核和多項(xiàng)式核的特點(diǎn),針對(duì)性地構(gòu)造了徑向基核和多項(xiàng)式混合的核函數(shù)。同時(shí)為了避免進(jìn)行全局精細(xì)搜索又可得到更精確的參數(shù)組合,采用了基于交叉驗(yàn)證與改進(jìn)的網(wǎng)格搜索法的參數(shù)優(yōu)化方法,來(lái)提高模式分類(lèi)的平均正確率。選用多尺度模糊熵特征的情況下,本算法多核支持向量機(jī)的識(shí)別率與多項(xiàng)式核函數(shù)支持向量機(jī)、徑向基核函數(shù)支持向量機(jī)相比,分別提高了3.6%和1.0%,達(dá)到了85.8%。
[Abstract]:This paper makes a systematic analysis and treatment of mental , physiological or physical behavior parameters in various emotional states by means of signal processing and analysis . ( 3 ) Because the fuzzy entropy cannot measure the complexity of different scale factors , this paper chooses to use the multi - scale fuzzy entropy algorithm to extract feature extraction .

【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：R318;TN911.7

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蔡慧;馬玉良;佘青山;高云園;孟明;;基于EEMD和WT的運(yùn)動(dòng)想象腦電信號(hào)消噪方法[J];傳感技術(shù)學(xué)報(bào);2016年05期

2 舒思材;韓東;;基于多尺度最優(yōu)模糊熵的液壓泵特征提取方法研究[J];振動(dòng)與沖擊;2016年09期

3 陳順飛;羅志增;周鎮(zhèn)定;;改進(jìn)的雙變量收縮函數(shù)模型腦電信號(hào)消噪方法[J];傳感技術(shù)學(xué)報(bào);2016年02期

4 李昕;謝佳利;侯永捷;王金甲;;改進(jìn)的多尺度熵算法及其情感腦電特征提取性能分析[J];高技術(shù)通訊;2015年Z2期

5 趙志宏;楊紹普;劉永強(qiáng);;多小波系數(shù)特征提取方法在故障診斷中的應(yīng)用[J];振動(dòng).測(cè)試與診斷;2015年02期

6 馬玉良;許明珍;佘青山;高云園;孫曜;楊家強(qiáng);;基于自適應(yīng)閾值的腦電信號(hào)去噪方法[J];傳感技術(shù)學(xué)報(bào);2014年10期

7 姚文坡;劉鐵兵;戴加飛;王俊;;腦電信號(hào)的多尺度排列熵分析[J];物理學(xué)報(bào);2014年07期

8 李立;曹銳;相潔;;腦電數(shù)據(jù)近似熵與樣本熵特征對(duì)比研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2014年03期

9 譚熊;余旭初;秦進(jìn)春;魏祥坡;;高光譜影像的多核SVM分類(lèi)[J];儀器儀表學(xué)報(bào);2014年02期

10 鄭近德;陳敏均;程軍圣;楊宇;;多尺度模糊熵及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J];振動(dòng)工程學(xué)報(bào);2014年01期

相關(guān)會(huì)議論文 前1條

1 平安;王志良;;基于生理信號(hào)的人機(jī)情感交互系統(tǒng)應(yīng)用研究綜述[A];2009中國(guó)控制與決策會(huì)議論文集（3）[C];2009年

相關(guān)博士學(xué)位論文 前1條

1 陳偉婷;基于熵的表面肌電信號(hào)特征提取研究[D];上海交通大學(xué);2008年

，

本文編號(hào)：1531667