情感识别中脑电漂移数据的校正方法

发布时间：2018-02-26 14:17

  本文关键词： 脑电 情绪识别 漂移数据 拟合求差 支持向量机　出处：《华中科技大学学报(自然科学版)》2017年09期 　论文类型：期刊论文

【摘要】：本研究针对脑电信号在采集过程中出现的漂移情况,采用支持向量机分类器,分析了节律对数功率、分形维数和信号熵等9种特征,研究了脑电漂移数据对情绪分类的影响;同时,采用拟合求差的方法,尝试对脑电漂移数据进行校正.实验结果表明:脑电漂移数据会导致情绪分类正确率下降,而拟合求差法可以在一定程度上补偿漂移数据对分类造成的不利影响.仿真结果显示:不存在漂移数据时,样本熵和θ节律功率对数两种特征的情绪分类效果最好,而存在未经校正的漂移数据时,δ节律功率对数特征的情绪分类结果最好;漂移数据校正后,样本熵和δ节律功率对数两种特征的情绪分类结果最好.
[Abstract]:In this study, support vector machine (SVM) classifier is used to analyze 9 features of rhythm logarithmic power, fractal dimension and signal entropy, and the influence of EEG drift data on emotion classification is studied. At the same time, the fitting method is used to correct the EEG drift data. The experimental results show that the EEG drift data will lead to a decrease in the correct rate of emotion classification. However, the fitting method can compensate for the adverse effect of drift data on classification to some extent. The simulation results show that when there is no drift data, the classification effect of sample entropy and 胃 rhythm power logarithm is the best. When there are uncorrected drift data, the emotion classification results of 未 rhythm power logarithm feature are the best, and after drift data correction, sample entropy and 未 rhythm power logarithm feature have the best emotion classification results.
【作者单位】： 北京航空航天大学电子信息工程学院;中国空空导弹研究院;
【基金】：高等学校博士学科点专项科研基金资助项目(20121102130001) 国家自然科学基金资助项目(61603013)
【分类号】：R318;TN911.7
，

本文编号：1538359