【摘要】：人類的情感不僅包括心理反應和生理反應,還反映了人的自身需求和主觀態(tài)度。研究表明人類情感的產(chǎn)生或活動與大腦皮層的活動相關(guān)度很大,這為通過腦電信號研究情感分類提供了依據(jù)。隨著腦科學的迅速發(fā)展和各個學科的深入研究,通過腦電信號進行情感識別逐漸成為一個熱門課題。但不同受試者在不同時間所誘發(fā)腦電信號間的差異對情感分類的影響,以及如何提取有效的腦電情感特征來確保情感識別得到更高的準確度和更好的魯棒性,仍是腦電情感分類研究亟待解決的問題。針對這些問題,本文進行了如下研究:(1)研究如何減小腦電信號日間差異和波動對情感分類性能的影響,提高基于腦電的情感分類的魯棒性和準確率。采用的數(shù)據(jù)集一是采集12個人連續(xù)五天的腦電數(shù)據(jù)。該數(shù)據(jù)集便于研究同一受試者在不同天,所誘發(fā)的腦電信號之間的波動和差異對情感分類的影響。采用兩種方法進行研究。一種方法是采用數(shù)據(jù)空間自適應和共空間模式算法對腦電數(shù)據(jù)集進行處理。先對腦電數(shù)據(jù)集采用數(shù)據(jù)空間自適應算法與共空間模式算法進行處理,使不同天所采集的腦電信號之間的差異最小化,類間的差異最大化。最后提取出腦電信號的功率譜密度特征、微分偏側(cè)與差異因果特征。另一種方法是采用共空間模式結(jié)合小波包分解的算法對腦電數(shù)據(jù)集進行處理。先對腦電情感數(shù)據(jù)采用共空間模式算法尋找最優(yōu)子空間,然后采用小波包分解算法進行時頻域分解,最終提取出小波包能量特征。對這兩種方法處理后提取的特征,分別采用Bagging tree、支持向量機、線性判別分析和貝葉斯線性判別分析算法進行情感分類。由兩種方法的實驗結(jié)果可知,共空間模式結(jié)合小波包分解的腦電情感分類,能夠緩解腦電日間差異對情感分類的影響,并且分類精度高達86.20%,提高分類性能的有效性。(2)研究如何通過多特征提取及組合方法提高腦電信號情感分類的魯棒性和效率。采用數(shù)據(jù)集二,該數(shù)據(jù)集來自DEAP數(shù)據(jù)集,它不僅包含腦電信號,還包含外圍生理信號,它所包含的數(shù)據(jù)量較大,以便于研究多特征提取及組合方法提高腦電信號情感分類的魯棒性和效率。采用經(jīng)驗模式分解與小波包分解兩種方法分析腦電情感數(shù)據(jù),然后分別提取平均能量、波動指數(shù)、樣本熵、近似熵、多尺度排列熵和Hurst指數(shù)等特征,選擇特征進行特征組合,對組合后的特征集進行分類,從而尋找出性能最優(yōu)的特征組合。由實驗結(jié)果可知,腦電信號經(jīng)過小波包分解后,提取的樣本熵與近似熵的特征組合能夠更好地表征腦電情感信號的主要特征,分類準確率高達95.54%。
【學位授予單位】：陜西科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R318;TN911.7
【圖文】：

圖 2-3 大腦皮層Fig. 2-3 Cerebral cortex的分類按頻率分為：δ 波、θ 波、α 波、β 波、γ 波。當人處于深度睡眠或麻醉、缺氧、及大腦病變的情況下，出V 至 200μV 間，其頻率在 1Hz 至 3Hz 間。常在人的中樞神經(jīng)系統(tǒng)出現(xiàn)抑郁狀態(tài)的情況下，出現(xiàn) θ 節(jié)律 間，其頻率在 4Hz 至 7Hz 間。最為明顯的節(jié)律性腦電波，其振幅在 20μV 至 100μV 間，其常在人腦處于興奮狀態(tài)的情況下，出現(xiàn) β 節(jié)律波，其振幅在 14Hz 至 30Hz 間。與大腦的活動有關(guān)，其頻率約在 31Hz 至 43Hz 間。的采集方法取 EEG 信號的途徑有兩種。一種是通過干電極獲取 EEG 信

圖 2-4 64 通道的10-20 系統(tǒng)記錄電極分布示意圖diagram of the 10-20 system recording electrode distr識別方法，通常通過人工檢測發(fā)現(xiàn)并丟棄信號中含有EEG 采集實驗。然而，在實際的 EEG 采集中偽跡的去除：設采集到的 EEG 信號是 EEG 信號與偽跡通過測量可得到偽跡。該方法是在早期被意義明確，但可能會導致某一些有用的 E法（Principal components analysis，PCA）。EEG 分解后的各個分量依據(jù)能量占比的大小，雖然比偽跡減法的效果好，但由于未涉存在高階余信息。

【相似文獻】

相關(guān)期刊論文 前10條

1 陳輝;;淺議車牌識別中字符的特征提取方法[J];科技傳播;2009年05期

2 徐德友,胡壽松;利用粗集上近似處理特征提取中的噪聲問題[J];南京理工大學學報(自然科學版);2002年S1期

3 佟德純;王永興;;一種新的齒輪狀態(tài)的分類識別方法—CEP-AR特征提取與分類[J];振動與沖擊;1988年03期

4 羅斌;黃端旭;;皮膚癌表面圖象特征提取[J];安徽大學學報(自然科學版);1989年03期

5 王仁華;宋原章;;漢語孤立音節(jié)的分段研究[J];信號處理;1989年02期

6 楊小軍;;圖片特征提取[J];中小企業(yè)管理與科技(中旬刊);2017年03期

7 武弘;;六種常用的網(wǎng)絡流量特征提取工具[J];計算機與網(wǎng)絡;2017年06期

8 李晉徽;楊俊安;王一;;一種新的基于瓶頸深度信念網(wǎng)絡的特征提取方法及其在語種識別中的應用[J];計算機科學;2014年03期

9 唐朝霞;;一種基于特征提取的簡答題閱卷算法[J];湖南工程學院學報(自然科學版);2010年01期

10 曹國輝;;車輛特征提取方法綜述[J];中國水運(理論版);2006年03期

相關(guān)會議論文 前10條

1 王紀凱;王鵬;張啟彬;陳宗海;;激光數(shù)據(jù)特征提取與學習方法[A];第17屆中國系統(tǒng)仿真技術(shù)及其應用學術(shù)年會論文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

3 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應用學術(shù)會議�？痆C];2008年

4 路文煥;曲悅欣;楊亞龍;王建榮;黨建武;;用于無聲語音接口的超聲圖像的混合特征提取[A];第十三屆全國人機語音通訊學術(shù)會議(NCMMSC2015)論文集[C];2015年

5 徐繼偉;李建中;柳勃;楊昆;;使用支持向量機和改進特征提取方法的蛋白質(zhì)分類[A];第二十二屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2005年

6 劉德剛;邵國凡;;高維遙感數(shù)據(jù)分析的特征提取方法[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學術(shù)年會文集[C];2000年

7 姜成柱;劉志成;何其芳;卞榮;席聞;;基于信號分解與稀疏恢復的空間群目標微動特征提取[A];第八屆中國航空學會青年科技論壇論文集[C];2018年

8 許強;楊佳;;基于線性加權(quán)的免疫克隆算法的手指靜脈特征提取[A];中國自動化學會控制理論專業(yè)委員會B卷[C];2011年

9 高學;金連文;尹俊勛;;基于筆劃密度的彈性網(wǎng)格特征提取方法[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

10 白真龍;霍強;;在聯(lián)機手寫中文識別中一種針對8方向特征提取的改進算法[A];中文信息處理前沿進展——中國中文信息學會二十五周年學術(shù)會議論文集[C];2006年

相關(guān)重要報紙文章 前3條

1 宇航智控;預測與健康管理(PHM)技術(shù)[N];中國航空報;2018年

2 記者 賈玎玎;北京紡控主營業(yè)務收入增長11.39%[N];首都建設報;2015年

3 中國信息通信研究院泰爾終端實驗室 曾晨曦 段虎才;深度學習框架的前世今生[N];人民郵電;2018年

相關(guān)博士學位論文 前10條

1 宋洪超;基于微波的乳腺癌檢測算法研究[D];北京郵電大學;2018年

2 蘇雷曼 施查布（SOULEYMAN CHAIB）;面向高分辨率圖像場景分類的特征提取與選擇研究[D];哈爾濱工業(yè)大學;2018年

3 溫柳英;多模態(tài)數(shù)據(jù)特征提取的粒計算方法研究與應用[D];西南石油大學;2017年

4 李文娟;基于局部特征提取的人臉識別方法研究[D];天津大學;2017年

5 王振宇;面向人臉識別的特征提取技術(shù)應用研究[D];東南大學;2016年

6 馬麗紅;復雜背景下人臉的定位和特征提取[D];華南理工大學;1999年

7 謝平;故障診斷中信息熵特征提取及融合方法研究[D];燕山大學;2006年

8 張紹武;基于支持向量機的蛋白質(zhì)分類研究[D];西北工業(yè)大學;2004年

9 李建生;圖像元數(shù)據(jù)特征提取及其在檢索中的應用[D];南京師范大學;2006年

10 劉靖;基于視覺特征提取和核判決分析方法的人臉識別[D];四川大學;2006年

相關(guān)碩士學位論文 前10條

1 趙夕朦;基于人性化智能感知的生物特征提取和身份判斷[D];浙江大學;2019年

2 謝欣;基于特征提取和支持向量機的門級網(wǎng)表硬件木馬檢測技術(shù)研究[D];浙江大學;2019年

3 周簫;基于話題檢測的網(wǎng)絡安全威脅發(fā)現(xiàn)與跟蹤技術(shù)研究[D];北京郵電大學;2019年

4 張麗;比特流協(xié)議特征提取與識別方法研究[D];西安理工大學;2019年

5 方格格;基于時空軌跡表征的小簇人群提取模型研究[D];浙江大學;2019年

6 熊玲;基于KCF的獨居老人室內(nèi)跟蹤與行為檢測研究[D];重慶師范大學;2019年

7 張雪會;病態(tài)嗓音特征提取及識別研究[D];廣西師范大學;2019年

8 曾慶宇;基于深度學習的目標時序信息分析方法研究[D];哈爾濱工程大學;2019年

9 孫澤金;轉(zhuǎn)子故障信號的敏感特征提取方法研究[D];蘭州理工大學;2019年

10 白雪;圖像二值特征提取[D];北京郵電大學;2019年

本文編號：2732768