基于情感脑电信号的分类研究

发布时间：2023-12-07 20:17

　　随着机器学习算法以及深度学习算法在人工智能领域的飞速发展,我们对人工智能在生活中的应用产生了更高的要求。情感是人类的脑部产生的一种对外界事物的精神反馈,计算机对人类情感的识别和模拟是计算机智能化的重要标志之一。通过机器学习的方法对脑电波(Electroencephalogram,EEG)信号进行分析并对情感进行分类成为了目前人工智能和人机交互领域比较前沿的研究方向。脑电信号是通过多个通道采样的,使得它的特征向量具有高维度特性。由于情感脑电信号并非与所有的脑电通道相关,导致在通过脑电信号进行情感分类时会出现一定程度的通道冗余和维数灾难。针对情感脑电信号在大脑中的稀疏特性,本文做了以下研究:首先,对以音乐视频为诱因的多重生理模态的情感脑电数据集DEAP进行了研究,完成情感脑电信号的时域特征和频域特征的提取。运用小波变换算法和快速傅里叶变换算法提取DEAP情感脑电信号的delta节律(0.5-3Hz)、theta节律(4-7Hz)、alpha节律(8-13Hz)、beta节律(14-30Hz),gamma节律(31-47Hz)五个节律波段;运用经验模态分解算法计算出脑电信号的四层内蕴模态函数...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
第1章 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文主要工作
第2章 基于稀疏表示的脑电(EEG)情感分类
    2.1 DEAP数据集
    2.2 算法框架
    2.3 数据归一化及小波变换特征提取
        2.3.1 数据归一化
        2.3.2 小波变换
    2.4 功率谱分析
    2.5 稀疏表示
        2.5.1 稀疏表示分类(SRC)算法模型
        2.5.2 贪婪算法求解
        2.5.3 凸优化算法求解
    2.6 实验结果分析
    2.7 本章小结
第3章 引入稀疏组Lasso的稀疏表示情感分类
    3.1 算法框架
    3.2 情感脑电信号预处理
    3.3 特征提取
        3.3.1 时域特征
        3.3.2 时频特征
    3.4 引入稀疏组Lasso的稀疏表示算法
        3.4.1 Lasso及其发展
        3.4.2 稀疏组Lasso在 SRC算法中的应用
        3.4.3 块坐标下降算法
    3.5 实验结果分析
    3.6 本章小结
第4章 结束语
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3871010