本文選題：情感識別 + 分形維數(shù)��； 參考：《南京郵電大學》2017年碩士論文

【摘要】：如今有關腦電信號(EEG)的相關研究已經(jīng)成為腦機接口(BCI)、人工智能(AI)、計算機科學及醫(yī)療衛(wèi)生等領域的熱門話題,其中基于腦電信號的情感識別研究正日趨火熱,無論是將情感識別應用人工智能,還是用于輔助抑郁癥及自閉癥等精神類疾病發(fā)病機制的研究和治療上,都具有重要的價值和意義。本文將腦電信號的分形特性引入情感識別的研究中,即將腦電信號的Higuchi維數(shù)作為特征值以區(qū)分不同的情感狀態(tài)。具體的研究內(nèi)容劃分為三大部分,第一部分,設計實驗,收集實驗素材,誘發(fā)實驗對象讓其處于不同的情感狀態(tài),并獲取對應的EEG數(shù)據(jù);第二部分,計算腦電信號的Higuchi維數(shù)(HF)值,并以此作為特征值分別算出兩類支持向量機(SVM)分類算法下的分類準確率;第三部分,基于第二部分的分析結(jié)果,進一步運用腦電信號的Higuchi維數(shù)特征,并配合三種分類算法,分析與情感狀態(tài)關聯(lián)強的頻率段和腦部區(qū)域。第二部分在獲取分類準確率之前,選用主成分分析(PCA)對62導聯(lián)EEG信號實現(xiàn)降維,并最終保留了6導聯(lián)腦電信號,每一導聯(lián)信號經(jīng)運算共計得到10組HF值,各取愉悅、平靜、悲傷狀態(tài)下的一個HF值構(gòu)成三維的特征向量,通過兩類支持向量機和10層交叉驗證法得出最后的分類準確率,最終結(jié)果是線性核支持向量機獲得最高83.33%的分類準確率,至此,表明EEG信號的分形特性可用于區(qū)分腦電信號所代表的情感狀態(tài)的差異。第三部分,考慮到腦電信號情感識別將來會運用到實際的生活中,而使用全部的64個數(shù)據(jù)采樣點進行數(shù)據(jù)采樣不太態(tài)現(xiàn)實,因此減少采樣點的數(shù)目勢在必行,同時鑒于腦電信號固有的節(jié)律特性,本章繼續(xù)借助HF值來尋找與情感關聯(lián)度最大的腦部區(qū)域和頻率段,選用支持向量機、素貝葉斯以及K近鄰分析作為分類算法,最終得到12位實驗對象的累計準確率,數(shù)據(jù)分析結(jié)果表明,頻率較高的Alpha、Beta以及Gamma頻段獲得累計準確率明顯高于頻率較低的頻率段,其次,在單獨分析累計準確率相對穩(wěn)定的Beta頻段,試圖找尋特定腦部區(qū)域時,分析發(fā)現(xiàn)額區(qū)、顳區(qū)及其周邊采樣點的HF值具有較高的累計分類準確率,至此可證明EEG信號的分形特性可用于情感狀態(tài)的識別。
[Abstract]:Nowadays, the research on EEG has become a hot topic in the fields of brain-computer interface (BCI), artificial intelligence (AI), computer science, medical and health, etc. Among them, the research on emotion recognition based on EEG is getting hotter and hotter. It is of great value and significance not only to apply artificial intelligence to emotion recognition, but also to study and treat the pathogenesis of mental diseases such as depression and autism. In this paper, the fractal characteristics of EEG signals are introduced into the study of emotion recognition. The Higuchi dimension of EEG signals is taken as the eigenvalue to distinguish different emotional states. The specific research contents are divided into three parts. The first part is to design experiments, collect experimental materials, induce experimental objects to be in different emotional states, and obtain corresponding EEG data. The Higuchi dimension of EEG is calculated and the classification accuracy of two kinds of support vector machine (SVM) classification algorithms is calculated as the eigenvalue. The third part is based on the analysis results of the second part. Using the Higuchi dimension feature of EEG signal and three classification algorithms, the frequency segment and brain region which are strongly correlated with emotional state are analyzed. In the second part, before the classification accuracy is obtained, principal component analysis (PCA) is used to reduce the dimension of 62-lead EEG signal, and finally the 6-lead EEG signal is retained. After operation, 10 groups of HF values are obtained for each lead signal, each of which is pleasurable and calm. A HF value in a sad state constitutes a three-dimensional feature vector. The final classification accuracy is obtained by two kinds of support vector machines and a 10-layer cross-validation method. The final result is that the linear kernel support vector machine obtains the highest classification accuracy of 83.33%. It shows that the fractal characteristics of EEG signal can be used to distinguish the difference of emotional state represented by EEG signal. In the third part, considering that EEG emotion recognition will be used in real life in the future, it is not very realistic to use all 64 data sampling points to sample data, so it is imperative to reduce the number of sampling points. At the same time, in view of the inherent rhythmic characteristics of EEG signals, this chapter continues to use HF value to find the regions and frequencies of the brain with the greatest affective correlation, and selects support vector machines, Bayes and K-nearest neighbor analysis as classification algorithms. Finally, the cumulative accuracy of 12 experimental subjects was obtained. The results of data analysis showed that the accumulative accuracy of Alpha-Beta and Gamma bands with higher frequency was significantly higher than that of the frequency band with lower frequency. When the Beta frequency band with relatively stable accumulative accuracy was analyzed separately, the HF values of frontal region, temporal region and their peripheral sampling points were found to have higher accumulative classification accuracy when trying to find specific brain regions. It is proved that the fractal characteristics of EEG signal can be used to identify the emotional state.
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R318;TP18

【相似文獻】

相關期刊論文 前10條

1 魯強;劉玉軍;徐建蘭;張進祿;;一種適用于清醒動物腦電信號采集的固定裝置[J];首都醫(yī)科大學學報;2011年06期

2 ;腦電信號處理的研究取得階段性成果[J];河北師范大學學報;1987年01期

3 李志瑞;張文杰;;通用腦電信號處理——微機系統(tǒng)初探[J];河北師范大學學報;1988年Z1期

4 孟欣，，歐陽楷;腦電信號的幾個非線性動力學分析方法[J];北京生物醫(yī)學工程;1997年03期

5 吳小培,馮煥清,周荷琴,王濤;獨立分量分析及其在腦電信號預處理中的應用[J];北京生物醫(yī)學工程;2001年01期

6 李英遠,周衛(wèi)東;徑向基函數(shù)神經(jīng)網(wǎng)絡在腦電信號建模中的應用[J];山東生物醫(yī)學工程;2002年02期

7 劉大路,江朝暉,馮煥清,王聰;基于腦電信號時空分布信息的思維特征研究[J];北京生物醫(yī)學工程;2004年02期

8 許崇濤,沈民奮,李慧,朱國平;雙譜分析方法在腦電信號分析中的應用[J];中國行為醫(yī)學科學;2004年03期

9 湯曉軍,宋卓,楊卓,張濤;雙任務事件中腦電信號的熵計算(英文)[J];生物物理學報;2005年05期

10 蔣辰偉;章悅;曹洋;朱國行;顧凡及;王斌;;腦死亡與腦昏迷腦電信號的復雜度研究[J];生物物理學報;2008年02期

相關會議論文 前10條

1 薛蘊全;王秋英;王宏;;腦電信號的動態(tài)時空響應拓撲圖[A];中國儀器儀表學會第三屆青年學術會議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號診斷專家系統(tǒng)的研究[A];中國生理學會第21屆全國代表大會暨學術會議論文摘要匯編[C];2002年

3 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號采集方法與應用研究[A];大連理工大學生物醫(yī)學工程學術論文集（第2卷）[C];2005年

4 許濤;朱林劍;包海濤;;基于思維腦電信號的假手的研究[A];提高全民科學素質(zhì)、建設創(chuàng)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

5 李愛新;孫鐵;郭炎峰;;基于人工神經(jīng)網(wǎng)絡的腦電信號模式分類[A];自動化技術與冶金流程節(jié)能減排——全國冶金自動化信息網(wǎng)2008年會論文集[C];2008年

6 童珊;黃華;陳槐卿;;混沌理論在腦電信號分析中的應用[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

7 李凌;曾慶寧;堯德中;;利用兩級抗交叉串擾自適應濾波器提取誘發(fā)腦電信號[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

8 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

9 李麗君;黃思娟;吳效明;熊冬生;;基于運動想象的腦電信號特征提取與分類[A];中國儀器儀表學會醫(yī)療儀器分會2010兩岸四地生物醫(yī)學工程學術年會論文集[C];2010年

10 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];天津市生物醫(yī)學工程學會2007年學術年會論文摘要集[C];2007年

相關重要報紙文章 前3條

1 張文清　記者 王春;意念控制車速及左右轉(zhuǎn)彎前行[N];科技日報;2008年

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

3 黃力行邋陶建華;多模態(tài)情感識別參透人心[N];計算機世界;2007年

相關博士學位論文 前10條

1 彭宏;普適化腦電信息感知關鍵問題的研究[D];蘭州大學;2015年

2 吳玉鵬;AR譜在皮層癇樣腦電信號分析應用[D];河北醫(yī)科大學;2015年

3 馬小飛;認知任務下的腦電動力學分析[D];南京大學;2017年

4 吳畏;基于統(tǒng)計建模的多導聯(lián)腦電信號時空建模方法研究[D];清華大學;2012年

5 孫宇舸;腦—機接口系統(tǒng)中腦電信號處理方法的研究[D];東北大學;2012年

6 周群;腦電信號同步：方法及應用研究[D];電子科技大學;2009年

7 趙麗;基于腦電信號的腦-機接口技術研究[D];天津大學;2004年

8 李春勝;腦電信號混沌特性的研究與應用[D];東北大學;2011年

9 歐陽高翔;癲癇腦電信號的非線性特征識別與分析[D];燕山大學;2010年

10 繆曉波;基于腦電信號的認知動力學系統(tǒng)研究——線性/非線性方法及動態(tài)時—頻—空分析[D];重慶大學;2004年

相關碩士學位論文 前10條

1 于洪;基于腦電信號的警覺度估計[D];上海交通大學;2007年

2 蔣潔;基于高性能計算的腦電信號分析[D];燕山大學;2010年

3 張志琴;腦電信號的復雜性分析[D];中南大學;2009年

4 許鳳娟;腦電信號采集與分析系統(tǒng)的設計[D];長春理工大學;2011年

5 曹銘;意識障礙患者腦電信號的非線性動力學評價分析[D];杭州電子科技大學;2012年

6 薛吉星;多通道腦電信號采集與處理系統(tǒng)研究[D];華南理工大學;2015年

7 劉靜;基于加權排序熵的多通道腦電信號同步算法研究[D];燕山大學;2015年

8 陳澤濤;基于腦電信號分析的AD早期評估系統(tǒng)的設計與實現(xiàn)[D];燕山大學;2015年

9 王歡;基于非平穩(wěn)時間序列分析方法的腦電信號模式識別[D];蘇州大學;2015年

10 王瓊穎;腦電信號的非線性動力學分析及其在睡眠分期中的應用[D];哈爾濱工業(yè)大學;2015年

本文編號：1980874