情感識(shí)別技術(shù)對(duì)于人機(jī)交互的和諧發(fā)展以及人工智能的全面實(shí)現(xiàn)具有舉足輕重的作用。通過對(duì)人類的情感狀態(tài)進(jìn)行研究和認(rèn)識(shí),可以使人類的身心健康得以保障。在眾多的情感信號(hào)中,腦電信號(hào)因其產(chǎn)生機(jī)制以及在不同情感狀態(tài)下具有的差異性,使得該信號(hào)具有一定的真實(shí)可靠性,目前已成為情感識(shí)別領(lǐng)域中的主要研究對(duì)象。但是,由于腦電信號(hào)自身具有的隨機(jī)性和非平穩(wěn)性等特點(diǎn),使得對(duì)腦電信號(hào)的情感研究仍存在一定的困難。因此,良好的特征參數(shù)以及識(shí)別算法的稀疏性、魯棒性、計(jì)算復(fù)雜度等特性對(duì)于情感的識(shí)別效率和準(zhǔn)確率至關(guān)重要。鑒于此,本文通過分析腦電信號(hào)的特點(diǎn)和常用的識(shí)別方法,首先,提出采用與支持向量機(jī)（support vector machine,SVM）相似但模型更為稀疏的相關(guān)向量機(jī)（relevance vector machine,RVM）作為分類器對(duì)腦電信號(hào)進(jìn)行情感研究;其次,提取了腦電信號(hào)的三種非線性特征,并通過融合和降維處理的方法擇優(yōu)而選;最后,進(jìn)一步對(duì)基于RVM的多模式分類算法進(jìn)行改進(jìn),以實(shí)現(xiàn)情感腦電分類精度的提升。詳細(xì)的研究工作如下:（1）詳細(xì)介紹了情感腦電信號(hào)識(shí)別系統(tǒng)的構(gòu)成,重點(diǎn)分析了常用的特征分析方法及識(shí)別網(wǎng)絡(luò)等... 

【文章來源】：太原理工大學(xué)山西省 211工程院校

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 情感腦電識(shí)別研究現(xiàn)狀
        1.2.2 RVM算法研究現(xiàn)狀
    1.3 情感腦電識(shí)別存在的問題
    1.4 研究?jī)?nèi)容及論文安排
第二章 腦電信號(hào)情感識(shí)別理論基礎(chǔ)
    2.1 情感和情感計(jì)算
    2.2 情感模型
        2.2.1 離散情感模型
        2.2.2 連續(xù)情感模型
        2.2.3 基于認(rèn)知評(píng)價(jià)的情感模型
    2.3 腦電信號(hào)的特點(diǎn)
        2.3.1 大腦皮層的結(jié)構(gòu)
        2.3.2 腦電信號(hào)的分類
        2.3.3 腦電信號(hào)與情感的關(guān)系
    2.4 腦電信號(hào)情感識(shí)別原理框圖
    2.5 腦電信號(hào)的特征提取
        2.5.1 功率譜熵
        2.5.2 近似熵
        2.5.3 樣本熵
        2.5.4 Hurst指數(shù)
    2.6 基于腦電信號(hào)的模式分類
        2.6.1 常用的分類模型
        2.6.2 RVM分類器
    2.7 本章小結(jié)
第三章 基于二分類RVM的腦電信號(hào)情感識(shí)別
    3.0 基于SVM的腦電信號(hào)情感識(shí)別算法
    3.1 基于RVM的腦電信號(hào)情感識(shí)別算法
    3.2 SVM和RVM的模式性能分析對(duì)比
    3.3 實(shí)驗(yàn)仿真
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)
        3.3.2 腦電信號(hào)的預(yù)處理
        3.3.3 特征提取
        3.3.4 實(shí)驗(yàn)與結(jié)果分析
    3.4 本章小結(jié)
第四章 基于改進(jìn)多分類RVM的腦電信號(hào)情感識(shí)別
    4.1 基于RVM的多模式分類算法
        4.1.1 OAA算法
        4.1.2 OAO算法
    4.2 多分類模式的改進(jìn)——“OAA-OAO”二層分類算法
        4.2.1 改進(jìn)的多分類算法原理及流程圖
    4.3 實(shí)驗(yàn)仿真
        4.3.1 特征提取與融合
        4.3.2 實(shí)驗(yàn)及結(jié)果分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄


【參考文獻(xiàn)】：
期刊論文
[1]基于腦電情緒識(shí)別的研究現(xiàn)狀[J]. 張本禹,蔣惠萍,董林杉.  中央民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(03)
[2]抑郁癥靜息腦電的小波包節(jié)點(diǎn)功率譜熵分析[J]. 蓋淑萍,劉欣陽,劉軍濤,孔壯,徐聲偉,蔡新霞.  傳感器與微系統(tǒng). 2017(03)
[3]基于心率變異性分析的睡眠分期方法研究[J]. 王金海,孫微,韋然,趙曉赟,國海丁,王慧泉.  生物醫(yī)學(xué)工程學(xué)雜志. 2016(03)
[4]基于生理大數(shù)據(jù)的情緒識(shí)別研究進(jìn)展[J]. 趙國朕,宋金晶,葛燕,劉永進(jìn),姚林,文濤.  計(jì)算機(jī)研究與發(fā)展. 2016(01)
[5]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]. 李昕,謝佳利,侯永捷,王金甲.  高技術(shù)通訊. 2015 (Z2)
[6]相關(guān)向量機(jī)及其在機(jī)械故障診斷中的應(yīng)用研究進(jìn)展[J]. 王波,劉樹林,張宏利,蔣超.  振動(dòng)與沖擊. 2015(05)
[7]基于腦電的情緒識(shí)別研究綜述[J]. 聶聃,王曉韡,段若男,呂寶糧.  中國生物醫(yī)學(xué)工程學(xué)報(bào). 2012(04)
[8]基于遺傳相關(guān)向量機(jī)的圖像分類技術(shù)[J]. 張昱,謝小鵬.  計(jì)算機(jī)仿真. 2011(05)
[9]額葉EEG偏側(cè)化:情緒調(diào)節(jié)能力的指標(biāo)[J]. 張晶,周仁來.  心理科學(xué)進(jìn)展. 2010(11)
[10]基于情緒圖片的PAD情感狀態(tài)模型分析[J]. 劉燁,陶霖密,傅小蘭.  中國圖象圖形學(xué)報(bào). 2009(05)

博士論文
[1]相關(guān)向量機(jī)多分類算法的研究與應(yīng)用[D]. 柳長(zhǎng)源.哈爾濱工程大學(xué) 2013

碩士論文
[1]基于支持向量機(jī)的不平衡數(shù)據(jù)分類算法研究[D]. 洪淑芳.江蘇科技大學(xué) 2014
[2]基于腦電信號(hào)樣本熵的情感識(shí)別[D]. 李立.太原理工大學(xué) 2014
[3]相關(guān)向量機(jī)的改進(jìn)及應(yīng)用研究[D]. 趙倩倩.河北工業(yè)大學(xué) 2014
[4]相關(guān)向量機(jī)在語音識(shí)別中的應(yīng)用研究[D]. 沈泉波.中北大學(xué) 2013
[5]基于RVM和混合優(yōu)化算法的變壓器故障診斷與預(yù)測(cè)應(yīng)用研究[D]. 廉建鑫.太原理工大學(xué) 2012
[6]基于腦電信號(hào)的中文情感詞的情感識(shí)別[D]. 曹夢(mèng)思.北京郵電大學(xué) 2012
[7]基于心電信號(hào)的情感識(shí)別研究[D]. 徐亞.西南大學(xué) 2010
[8]腦電信號(hào)在情感識(shí)別中的研究[D]. 陳曾.西南大學(xué) 2010



本文編號(hào)：3163863