基于多个EEG信号特征的情绪识别分析与研究
发布时间：2022-01-17 00:33
近年来,很多研究人员一直致力于研究如何让计算机和人一样具有观察并理解各种情绪甚至是能够生成并表达各种情绪的能力,而想要完成这个目标需要解决的一个基本问题就是:如何利用人类的生理信号或非生理信号进行有效的情绪识别。脑电（Electroencephalogram,EEG）信号作为一种生理信号,由人体的中枢神经直接产生,难以人为操纵或改变,且可以实时客观地反映出人类情绪状态,这些特点使得很多研究人员选择使用脑电信号进行情绪识别。目前利用可靠的脑电信号去鲁棒识别情绪还是存在很多难点。脑电信号的非线性非平稳性为利用脑电信号进行情绪识别带来了很多困难和阻碍。其次,虽然脑电信号的特征提取算法众多,但不同的脑电特征提取方法会从不同的角度来量化脑电信号,所以使用单一的特征提取算法无法充分发挥脑电信号的优势。针对这两个问题,本文主要进行了以下工作:1、研究了基于多元经验模态分解的脑电信号处理方法。为了降低脑电信号的非平稳性,在脑电信号的特征提取阶段之前引入了多元经验模态分解（Multivariate Empirical Mode Decomposition,MEMD）算法,将多个通道的脑电信号同步分解为一...
【文章来源】：南京邮电大学江苏省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
脑电信号的采集设备脑电信号的采集过程中，需要保持实验周边环境安静，以减小外在因素对脑电信号采集时的干扰
南京邮电大学专业学位硕士研究生学位论文第二章情绪脑电的理论基础和研究框架11图2.3脑电信号的采集现场图2.1.3脑电信号的特性在2.1.2节介绍了脑电信号的产生和采集方式，通过研究，研究人员们发现由于这二者的原因，脑电信号具有许多特性。这些特性对于使用脑电信号进行各项研究带来了很多掣肘或帮助：（1）信噪比低。通常情况下采集到的脑电信号都是通过在头皮上放置电极的方式采集的，这种非侵入式采集方式不仅使得采集到的信号幅度较低，通常在50uV左右，最大值也不过在100uV左右，还会让采集到的信号混入很多干扰信号，比如眼电、心电、肌电以及来自外部环境的干扰；（2）非平稳随机性。因为在采集脑电信号过程中会受到很多因素的影响，导致最终采集的脑电信号是一个混合信号，而且脑电信号的产生目前也没有研究出一个明确的机制和模式，所以脑电信号实则是一种具有非平稳性和随机性的生理信号；（3）非线性。人体始终处于一个动态变化调整的过程，是一个典型的非线性动力系统，脑电信号的产生过程也会受到这种人体细胞组织的自主调节适应能力的影响，所以脑电信号不会随时间做线性变化，而是具有明显的非线性特征。但是目前很多的信号分析方法基于线性理论基础提出来的，用这些线性信号分析方法来分析非线性的脑电信号就会丢失许多脑电信号的原始信息；（4）节律性。脑电信号是通过电极记录下的神经元细胞的自发性、节律性电活动，所以脑电信号这种节律性的活动可以用波段的频率来划分为Delta、Theta、Alpha、Beta和Gamma
南京邮电大学专业学位硕士研究生学位论文第二章情绪脑电的理论基础和研究框架17特征与诱发情绪相关性高，包含足够的有效信息，才能确保后续的情绪识别工作正常进行。脑电信号中常用的情绪特征可分为三种——时域特征、频域特征和非线性特征。第四步是选择合适的分类器，在基于脑电信号的情绪识别分类中，分类器的选择不同对于分类结果也是有很大影响的，从1.2节中介绍的国内外研究现状中可以发现，K近邻，SVM和朴素贝叶斯等分类器是研究人员们最为常用的几种。由于本文的研究侧重点在于使用多特征进行EEG情绪分类，所以本文根据前人研究，选用了鲁棒性能好的支持向量机用于最后的分类。本文中进行的所有EEG情绪分类实验运用的分类器都是支持向量机。因为DEAP情绪数据库和分类器SVM在全文的实验中都有所使用，所以在接下来两节中，本章对二者进行了一个简单介绍。2.3.1DEAP情绪数据库本文用于实验研究的数据是由Koelstra和Muhl等人提出的一种能用来分析人类情绪状态的多模式数据集[35]。DEAP数据集共有32名受试者，每名受试者会通过观看视频进行40次情绪诱发实验，从而得到所需的生理信号。实验使用了40个导联来采集相关信号，前32导采集的是脑电信号，后8导采集的是外围生理信号，采样频率是512Hz。图2.6就是某一个受试者在采集过程之中所处的实验环境[35]。图2.6受试者所处的实验环境
【参考文献】：
期刊论文
[1]融合语音信号和脑电信号的多模态情感识别[J]. 马江河,孙颖,张雪英. 西安电子科技大学学报. 2019(01)
[2]基于IMF能量熵的脑电情感特征提取研究[J]. 陆苗,邹俊忠,张见,肖姝源,卫作臣. 生物医学工程研究. 2016(02)
[3]基于脑电信号的ILDB情感特征提取算法[J]. 时文飞,叶西宁. 华东理工大学学报(自然科学版). 2016(02)
[4]Hilbert-Huang变换在情感脑电特征提取中的应用[J]. 杨鹏圆,李海芳,陈东伟. 计算机工程与设计. 2014(07)
[5]基于复杂度熵特征融合的高压力人群情感状态评估[J]. 李昕,李红红,李长吾. 中国生物医学工程学报. 2013(03)
[6]一种EMD改进方法及其在旋转机械故障诊断中的应用[J]. 时培明,丁雪娟,李庚,韩东颖. 振动与冲击. 2013(04)
[7]基于主成分分析法的变风量空调系统传感器故障诊断[J]. 晋欣桥,杜志敏,孙勇. 上海交通大学学报. 2005(08)
博士论文
[1]基本情感生理信号的非线性特征提取研究[D]. 程静.西南大学 2015
硕士论文
[1]基于组合特征提取的脑电情感识别方法研究[D]. 吉晓敏.辽宁师范大学 2017
[2]基于EMD方法的压缩感知图像处理研究[D]. 刘妍.北京邮电大学 2012
本文编号：3593701
【文章来源】：南京邮电大学江苏省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
脑电信号的采集设备脑电信号的采集过程中，需要保持实验周边环境安静，以减小外在因素对脑电信号采集时的干扰
南京邮电大学专业学位硕士研究生学位论文第二章情绪脑电的理论基础和研究框架11图2.3脑电信号的采集现场图2.1.3脑电信号的特性在2.1.2节介绍了脑电信号的产生和采集方式，通过研究，研究人员们发现由于这二者的原因，脑电信号具有许多特性。这些特性对于使用脑电信号进行各项研究带来了很多掣肘或帮助：（1）信噪比低。通常情况下采集到的脑电信号都是通过在头皮上放置电极的方式采集的，这种非侵入式采集方式不仅使得采集到的信号幅度较低，通常在50uV左右，最大值也不过在100uV左右，还会让采集到的信号混入很多干扰信号，比如眼电、心电、肌电以及来自外部环境的干扰；（2）非平稳随机性。因为在采集脑电信号过程中会受到很多因素的影响，导致最终采集的脑电信号是一个混合信号，而且脑电信号的产生目前也没有研究出一个明确的机制和模式，所以脑电信号实则是一种具有非平稳性和随机性的生理信号；（3）非线性。人体始终处于一个动态变化调整的过程，是一个典型的非线性动力系统，脑电信号的产生过程也会受到这种人体细胞组织的自主调节适应能力的影响，所以脑电信号不会随时间做线性变化，而是具有明显的非线性特征。但是目前很多的信号分析方法基于线性理论基础提出来的，用这些线性信号分析方法来分析非线性的脑电信号就会丢失许多脑电信号的原始信息；（4）节律性。脑电信号是通过电极记录下的神经元细胞的自发性、节律性电活动，所以脑电信号这种节律性的活动可以用波段的频率来划分为Delta、Theta、Alpha、Beta和Gamma
南京邮电大学专业学位硕士研究生学位论文第二章情绪脑电的理论基础和研究框架17特征与诱发情绪相关性高，包含足够的有效信息，才能确保后续的情绪识别工作正常进行。脑电信号中常用的情绪特征可分为三种——时域特征、频域特征和非线性特征。第四步是选择合适的分类器，在基于脑电信号的情绪识别分类中，分类器的选择不同对于分类结果也是有很大影响的，从1.2节中介绍的国内外研究现状中可以发现，K近邻，SVM和朴素贝叶斯等分类器是研究人员们最为常用的几种。由于本文的研究侧重点在于使用多特征进行EEG情绪分类，所以本文根据前人研究，选用了鲁棒性能好的支持向量机用于最后的分类。本文中进行的所有EEG情绪分类实验运用的分类器都是支持向量机。因为DEAP情绪数据库和分类器SVM在全文的实验中都有所使用，所以在接下来两节中，本章对二者进行了一个简单介绍。2.3.1DEAP情绪数据库本文用于实验研究的数据是由Koelstra和Muhl等人提出的一种能用来分析人类情绪状态的多模式数据集[35]。DEAP数据集共有32名受试者，每名受试者会通过观看视频进行40次情绪诱发实验，从而得到所需的生理信号。实验使用了40个导联来采集相关信号，前32导采集的是脑电信号，后8导采集的是外围生理信号，采样频率是512Hz。图2.6就是某一个受试者在采集过程之中所处的实验环境[35]。图2.6受试者所处的实验环境
【参考文献】：
期刊论文
[1]融合语音信号和脑电信号的多模态情感识别[J]. 马江河,孙颖,张雪英. 西安电子科技大学学报. 2019(01)
[2]基于IMF能量熵的脑电情感特征提取研究[J]. 陆苗,邹俊忠,张见,肖姝源,卫作臣. 生物医学工程研究. 2016(02)
[3]基于脑电信号的ILDB情感特征提取算法[J]. 时文飞,叶西宁. 华东理工大学学报(自然科学版). 2016(02)
[4]Hilbert-Huang变换在情感脑电特征提取中的应用[J]. 杨鹏圆,李海芳,陈东伟. 计算机工程与设计. 2014(07)
[5]基于复杂度熵特征融合的高压力人群情感状态评估[J]. 李昕,李红红,李长吾. 中国生物医学工程学报. 2013(03)
[6]一种EMD改进方法及其在旋转机械故障诊断中的应用[J]. 时培明,丁雪娟,李庚,韩东颖. 振动与冲击. 2013(04)
[7]基于主成分分析法的变风量空调系统传感器故障诊断[J]. 晋欣桥,杜志敏,孙勇. 上海交通大学学报. 2005(08)
博士论文
[1]基本情感生理信号的非线性特征提取研究[D]. 程静.西南大学 2015
硕士论文
[1]基于组合特征提取的脑电情感识别方法研究[D]. 吉晓敏.辽宁师范大学 2017
[2]基于EMD方法的压缩感知图像处理研究[D]. 刘妍.北京邮电大学 2012
本文编号：3593701
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3593701.html
