基于脑电信号的视频诱发情绪识别

发布时间：2023-04-29 03:29

　　随着脑电信号采集设备的迅速发展，脑电信号越来越多应用于实际生活中，基于脑电的情绪识别也成为了重要的研究课题。本文对如何利用脑电识别视频诱发的情绪这一问题进行了研究。之前对于脑电的研究多使用脑电信号在不同频带的能量特征，本文使用微分熵特征，使得情绪相关的脑电信号得到了更好地表征。同时，本文通过特征选择，发现了对于情绪识别任务有重要影响的脑电频带以及脑区，为神经生理学中探究情绪产生的机理提供依据。本文使用线性动力系统对特征序列有针对性地进行了平滑，提高了后续情绪识别的准确率。基于脑电的情绪识别模型能否真正得到推广使用，很大程度上依赖于该模型是否稳定，本文通过模型在较长时间范围里的情绪识别效果证明所提出的识别算法训练出的模型具有一定的稳定性。在针对6个人的18次实验中，本文提出的算法针对三种情绪状态的识别达到了平均85%的准确率。

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
表格索引
插图索引
主要符号对照表
第一章 绪论
    1.1 研究意义及目的
    1.2 国内外研究现状
        1.2.1 基于不同信号的情绪识别
        1.2.2 刺激素材的相关研究
        1.2.3 脑电的特征提取算法研究
        1.2.4 情绪识别的模型研究
        1.2.5 多模态情绪识别的研究
        1.2.6 情绪在神经生理学中的研究
        1.2.7 情绪识别实际应用中的挑战
    1.3 论文安排
    1.4 本章小结
第二章 脑电与情绪的相关背景
    2.1 脑电的相关背景知识
        2.1.1 大脑的结构及功能
        2.1.2 脑电产生的原理
        2.1.3 脑电的采集
        2.1.4 脑电信号的频域特性
    2.2 情绪的相关背景知识
        2.2.1 情绪的定义
        2.2.2 情绪模型
        2.2.3 情绪的诱发
    2.3 本章小结
第三章 实验设计
    3.1 实验目的
    3.2 刺激材料
    3.3 被视情况
    3.4 实验环境
    3.5 实验流程
    3.6 实验后续改进措施
    3.7 本章小结
第四章 数据处理的相关算法
    4.1 脑电信号处理流程
    4.2 脑电信号预处理
    4.3 脑电特征提取
        4.3.1 频带能量特征
        4.3.2 微分熵特征
        4.3.3 左右脑非对称特征
    4.4 特征的平滑
        4.4.1 滑动平均平滑
        4.4.2 线性动力系统平滑
    4.5 特征选择和降维
        4.5.1 主成分分析
        4.5.2 最大相关最小冗余算法
    4.6 情绪分类的识别算法
        4.6.1 k 近邻算法
        4.6.2 逻辑斯蒂回归
        4.6.3 支持向量机分类器
    4.7 本章小结
第五章 数据处理结果及讨论
    5.1 特征提取算法效果
    5.2 特征选择和降维算法效果
    5.3 关键频域
    5.4 关键脑区
    5.5 特征平滑算法效果
    5.6 分类算法效果
    5.7 模型随时间变化的稳定性
    5.8 本章小结
第六章 总结与展望
    6.1 本文主要工作及相关结论
    6.2 工作展望
附录 A 实验结果详细数据
参考文献
致谢
攻读学位期间发表的学术论文目录



本文编号：3805076