基于同步性脑网络的支持张量机情绪分类研究
发布时间：2021-08-30 08:02
一直以来,情绪是心理学、教育学、信息科学等多个学科的研究热点,脑电信号（EEG）因其客观、不易伪装的特点,在情绪识别领域受到广泛关注。由于人类情绪是大脑多个脑区相互作用产生的,该文提出一种基于同步性脑网络的支持张量机情绪分类算法（SBN-STM）,该算法采用相位锁定值（PLV）构建了同步性脑网络,分析多导联脑电信号之间的同步性和相关性,并生成2阶张量序列作为训练集,运用支持张量机（STM）模型实现正负情绪的二分类。该文基于DEAP脑电情绪数据库,详细分析了同步性脑网络张量序列的选取方法,最佳张量序列窗口的大小和位置,解决了传统情绪分类算法特征冗余的问题,提高了模型训练速度。仿真实验表明,基于支持张量机的同步性脑网络分类方法的情绪准确率优于支持向量机、C4.5决策树、人工神经网络、K近邻等以向量为特征的情绪分类模型。
【文章来源】：电子与信息学报. 2020,42(10)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
SBN-STM算法架构图
帕渴?菁?算的复杂性以及支持张量机适用于小样本分类的特性，为减少训练时间，提高效率，本文首先设定一个固定窗口，通过滑窗的方法依次进行STM训练，设定窗口滑动步长为。记窗口中点位置为时刻，选取最优准确率下的时刻作为最优张量序列窗口中点位置。窗口示意图如图2所示。2.3.2张量序列窗口大小选取方法TSt选定最优张量序列窗口中点位置后，进行最优窗口大小的选龋以最优张量序列窗口中点位置为起始点，设置正负情绪样本空间窗口半径初始值为s。以s为步长扩展窗口半径，依次进行STM图2张量序列窗口示意图2464电子与信息学报第42卷
联位置如图4所示。观看完MV后，所有被试均进行打分，按照1～9的分值区间，标记所观看MV的有效价(Valence)、唤醒度(Arousal)、优势度(Dominance)数值。其中Valence表征了被试者观看完视频后的情绪状况，Valence值越高表示被试者情绪为正向情绪，反之，Valence值越低表示被试者情绪为负向情绪。为避免出现模棱两可的非标准情绪，本文根据Valence值对被试情绪进行式(14)的划分情绪类别={正,5.5≤Valence≤9负,1≤Valence≤3.5(14)图3窗口半径为1s的张量序列示意图第10期黄丽亚等：基于同步性脑网络的支持张量机情绪分类研究2465
【参考文献】：
期刊论文
[1]基于组独立成分分析方法的情绪刺激对脑部激活区域的研究[J]. 武杰,周春宇,杨叶,付令. 生物医学工程学进展. 2018(03)
[2]Discrimination of Motor Imagery Patterns by Electroencephalogram Phase Synchronization Combined With Frequency Band Energy[J]. Chuanwei Liu,Yunfa Fu,Jun Yang,Xin Xiong,Huiwen Sun,Zhengtao Yu. IEEE/CAA Journal of Automatica Sinica. 2017(03)
[3]基于因果强度的时序因果关系发现算法[J]. 郝志峰,谢蔚涛,蔡瑞初,王丽娟,洪英汉. 计算机工程与设计. 2017(01)
[4]结合GLCM与三阶张量建模的在线目标跟踪[J]. 金广智,石林锁,崔智高,刘浩,牟伟杰. 电子与信息学报. 2016(07)
[5]基于联合优化松弛交替投影的组网雷达恒模波形设计[J]. 冯翔,陈志坤,赵宜楠,周志权. 电子与信息学报. 2016(07)
[6]基于生理大数据的情绪识别研究进展[J]. 赵国朕,宋金晶,葛燕,刘永进,姚林,文涛. 计算机研究与发展. 2016(01)
[7]基于稀疏贝叶斯网络的情绪脑电的有效性脑网络研究[J]. 高佳,王蔚. 生物医学工程学杂志. 2015(05)
[8]生理信号时间序列周期性和平稳性对近似熵和样本熵算法的影响分析[J]. 刘澄玉,赵莉娜,刘常春. 北京生物医学工程. 2012 (02)
硕士论文
[1]基于EEG脑网络特征的情绪识别研究[D]. 赵少楷.杭州电子科技大学 2018
本文编号：3372402
【文章来源】：电子与信息学报. 2020,42(10)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
SBN-STM算法架构图
帕渴?菁?算的复杂性以及支持张量机适用于小样本分类的特性，为减少训练时间，提高效率，本文首先设定一个固定窗口，通过滑窗的方法依次进行STM训练，设定窗口滑动步长为。记窗口中点位置为时刻，选取最优准确率下的时刻作为最优张量序列窗口中点位置。窗口示意图如图2所示。2.3.2张量序列窗口大小选取方法TSt选定最优张量序列窗口中点位置后，进行最优窗口大小的选龋以最优张量序列窗口中点位置为起始点，设置正负情绪样本空间窗口半径初始值为s。以s为步长扩展窗口半径，依次进行STM图2张量序列窗口示意图2464电子与信息学报第42卷
联位置如图4所示。观看完MV后，所有被试均进行打分，按照1～9的分值区间，标记所观看MV的有效价(Valence)、唤醒度(Arousal)、优势度(Dominance)数值。其中Valence表征了被试者观看完视频后的情绪状况，Valence值越高表示被试者情绪为正向情绪，反之，Valence值越低表示被试者情绪为负向情绪。为避免出现模棱两可的非标准情绪，本文根据Valence值对被试情绪进行式(14)的划分情绪类别={正,5.5≤Valence≤9负,1≤Valence≤3.5(14)图3窗口半径为1s的张量序列示意图第10期黄丽亚等：基于同步性脑网络的支持张量机情绪分类研究2465
【参考文献】：
期刊论文
[1]基于组独立成分分析方法的情绪刺激对脑部激活区域的研究[J]. 武杰,周春宇,杨叶,付令. 生物医学工程学进展. 2018(03)
[2]Discrimination of Motor Imagery Patterns by Electroencephalogram Phase Synchronization Combined With Frequency Band Energy[J]. Chuanwei Liu,Yunfa Fu,Jun Yang,Xin Xiong,Huiwen Sun,Zhengtao Yu. IEEE/CAA Journal of Automatica Sinica. 2017(03)
[3]基于因果强度的时序因果关系发现算法[J]. 郝志峰,谢蔚涛,蔡瑞初,王丽娟,洪英汉. 计算机工程与设计. 2017(01)
[4]结合GLCM与三阶张量建模的在线目标跟踪[J]. 金广智,石林锁,崔智高,刘浩,牟伟杰. 电子与信息学报. 2016(07)
[5]基于联合优化松弛交替投影的组网雷达恒模波形设计[J]. 冯翔,陈志坤,赵宜楠,周志权. 电子与信息学报. 2016(07)
[6]基于生理大数据的情绪识别研究进展[J]. 赵国朕,宋金晶,葛燕,刘永进,姚林,文涛. 计算机研究与发展. 2016(01)
[7]基于稀疏贝叶斯网络的情绪脑电的有效性脑网络研究[J]. 高佳,王蔚. 生物医学工程学杂志. 2015(05)
[8]生理信号时间序列周期性和平稳性对近似熵和样本熵算法的影响分析[J]. 刘澄玉,赵莉娜,刘常春. 北京生物医学工程. 2012 (02)
硕士论文
[1]基于EEG脑网络特征的情绪识别研究[D]. 赵少楷.杭州电子科技大学 2018
本文编号：3372402
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3372402.html
