基于度量学习的脑电信号情绪识别方法研究

发布时间：2020-05-17 01:33

【摘要】：随着人工智能、人机交互的快速发展,情绪计算的相关研究得到了广泛的关注。脑电记录了大脑神经元活动产生的电位变化,与人的情绪最为紧密,因此在情绪识别领域具有重要意义。脑电信号情绪识别依赖于输入的脑电数据样本间的相似性度量,而相似性度量是通过样本的距离度量实现的。目前脑电信号情绪识别研究主要围绕有效特征提取和分类算法展开,缺少对脑电数据样本度量的研究,本文将度量学习应用于脑电信号情绪识别。首先,针对由于人的主观性、疲劳、专注度等因素导致脑电数据情绪标签错误的问题,为了避免异常样本影响后续度量模型以及分类模型的构建,本文研究脑电信号情绪识别中的异常样本处理方法,EF算法集成多个分类器通过投票的方式一次性检测并剔除异常样本,MEIF算法在集成多个分类器基础上,通过多次过滤、异常分数度量、异常样本剔除以及多次迭代的方式获得清洁的脑电样本训练集。最终在SEED标准情绪识别脑电数据集上,在SVM方法基础上,情绪识别准确率分别提高了0.8%和1.6%。其次,针对脑电数据样本欧式距离度量的问题,本文研究基于LMNN度量学习的脑电信号情绪识别方法,通过使用马氏距离的度量方式,采用马氏矩阵将原始脑电样本映射到一个新的特征空间,区别看待对情绪贡献不同的脑电特征,进而更准确地度量脑电数据样本间的相似性。最终相比于使用SVM,情绪识别准确率提升了5.3%,此外结合第二章MEIF方法处理异常样本,情绪识别准确率进一步提升了1.2%。最后,针对由于脑电信号的非平稳性导致的脑电数据样本分布差异的问题,本文研究基于MMD-ML度量学习的脑电信号情绪识别方法,通过对源域中情绪标签已知样本的信息和目标域中情绪标签未知样本的分布信息学习,获得一种最优的特征映射方式,将源域和目标域的样本映射到高维RKHS空间,在该空间中源域和目标域的MMD距离最小,进而使样本分布尽可能相同,进而解决源域和目标域样本分布不同的问题。最终在跨个体和跨时间下,相比于SVM方法,情绪识别准确率分别提升了16.7%和20.8%,此外结合第二章MEIF方法处理异常样本,情绪识别准确率进一步提升了0.7%和0.3%。
【图文】：

示意图,电极分布,示意图,脑电信号

图 1-2 62 导 10-20 系统电极分布示意图微弱，一般只有 50uV，在采集过程中这会影响后续的分类性能。虽然很多研做出这些干扰来避免收集到的脑电信号过滤干扰。因此需要对脑电信号进行预的数据段，得到纯净的脑电信号。在情扰、眼电干扰、心电干扰、工频干扰等有人工手动去除法[17]、滤波[18]、归一verage Reference,CAR ）[20]、盲源分 [21]、独立分量分析（ Indepe]等。电信号情绪识别中的重点部分，提取有别的准确率。时域特征是最容易获得的处理后的脑电信号进行相关统计运算处特征，目前常用的有均值、峰值、方

示意图,不同距离,示意图,矩阵

2 2 2 21 2 1 1,2,1 2 1,2,2 1,2,1 2 1 2,W n nTd x x w dist w dist w distx x W x x 0iw ，，W diag w 是对角矩阵， iiiW w。此时矩阵W零，即坐标轴正交，特征之间无关。进一步考虑到在脑电特征之间存在相关性，因此，将矩阵替换为一个普通 M ，这就是马氏矩阵。距离的定义为 1 2 1 2 1 21 2 1 21 2 1 2,TTTTd x x Lx Lx Lx Lxx x L L x xx x M x x TM L L为马氏矩阵，因为是一个半正定对称的矩阵，此也满足了距离度量函数的基本性质。图 3-1 显示了 n 及p取不同值时闵式距离的示意图。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R318;TN911.6

【参考文献】