基于脑电信号的情绪识别方法研究

发布时间：2017-07-20 03:06

  本文关键词：基于脑电信号的情绪识别方法研究

  更多相关文章： 脑电 情绪识别 伪迹自动去除 特征选择 稀疏学习 功能磁共振成像 通道选择

【摘要】：如何有效获取情绪信号,对个人情绪状态进行客观、准确地解读,使智能信息系统具备更好的感知和决策能力,是智能信息处理中的热点问题。人类情绪变化的本质是大脑皮层上的高级神经活动。近年来,现代神经影像技术的发展建立起了主观世界与客观世界的桥梁。其中,脑电(Electroencephalography,EEG)以其高时间分辨率和便携实用的特点,已成为研究大脑功能以及设计脑机接口的主流工具。研究基于脑电的情绪识别方法,在疾病治疗、脑机接口、信息评估等领域具有很好的理论和应用价值。本文针对基于EEG的情绪识别技术在稳定性、准确性和实用性方面的要求,对基于EEG进行情绪识别中的信号预处理方法、特征选择方法以及利用功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)辅助的EEG通道选择方法等问题进行了研究。主要研究工作如下:1、研究了EEG伪迹的在线自动去除方法。EEG信号具有很高的时变敏感性,除了来自系统本身的噪声,还有眼电、肌电等难以避免的噪声,信噪比往往较低。在不附加额外参考电极的情况下,传统方法预先采集大量伪迹样本进行离线训练,再经训练的分类器去除伪迹成分,存在测试时间长且有离线训练的分类器与单次采集数据不匹配的问题。为此,本文提出了一种基于先验信息的脑电伪迹在线自动去除方法。该方法以在线方式预先采集针对某些特异性伪迹的先验信息,并将先验信息融入到结合小波分析的独立成分求解中,达到利用伪迹先验信息在线分离和去除相应伪迹成分的目的。实验结果表明,该方法克服了伪迹先验信息与单次采集数据不匹配的问题,能够有效抑制EEG伪迹的影响,增强了脑电数据中认知信息的可解读能力。2、研究了EEG情绪识别中的特征选择方法。脑电信号中的大量时频特征反应了大脑不同认知状态,是进行情绪识别的依据,如何在高维特征中选择情绪相关特征,是实现快速、准确和有效情绪识别的关键因素。本文提出了一种基于稀疏学习的特征选择方法。该方法可以从高维特征空间中,找出少量且对于类别信息重构贡献较大的特征,从而达到快速高效的获取少量和情绪较相关特征的目的。实验结果表明,和传统方法相比,本文方法降低了特征选择的时间消耗,且在相同的特征维数下得到了更高的情绪五分类正确率。此外,在特征选择的基础上,分析比较了脑电特征中和情绪相关的特征在不同时间段、不同频段的分布情况,对情绪的脑电机理研究也具有一定的借鉴意义。3、研究了fMRI辅助的EEG情绪识别通道选择方法。大脑情绪映射为大脑皮层中局部区域的特异性活动,研究大脑情绪特征的空间分布特性,对于合理选择脑电通道,增强在线情绪识别的适用性具有重要意义。本文在利用fMRI进行辅助的基础上,提出了一种基于脑电正演模型的情绪相关通道选择方法。该方法根据大脑MRI结构像建立EEG正演模型,得到从大脑皮层处信号源到头表电极的传递矩阵,由此可以把fMRI情绪实验的激活结果映射到头表,得到反映情绪相关程度的脑电地形图,从而为基于EEG情绪识别的通道选择提供理论依据。实验数据分析表明,依据本方法所得情绪相关程度脑电地形图而选出的EEG通道,可以较大程度的保留与情绪相关的EEG信号。
【关键词】：脑电 情绪识别 伪迹自动去除 特征选择 稀疏学习 功能磁共振成像 通道选择
【学位授予单位】：解放军信息工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R318;TN911.7
【目录】：

• 摘要4-6
• Abstract6-12
• 第一章 绪论12-22
• 1.1 课题背景与研究意义12-14
• 1.2 情绪识别方法国内外研究现状14-15
• 1.3 基于脑电的情绪识别方法15-19
• 1.3.1 脑电信号的伪迹处理方法15-17
• 1.3.2 基于脑电的情绪特征提取与选择17-18
• 1.3.3 情绪模式的学习与分类18-19
• 1.4 课题研究内容及论文结构安排19-22
• 第二章 脑电伪迹在线自动去除方法22-34
• 2.1 脑电伪迹自动去除方法概述22-23
• 2.2 基于先验信息的脑电伪迹在线自动去除方法23-25
• 2.2.1 伪迹先验信息在线采集23-24
• 2.2.2 基于WICA和相关性判别的脑电伪迹自动去除24-25
• 2.3 验证实验25-32
• 2.3.1 实验材料一：运动想象分类实验25-27
• 2.3.2 实验材料二：情绪识别实验27-28
• 2.3.3 结果分析28-32
• 2.4 本章小结32-34
• 第三章 基于稀疏学习特征选择的脑电情绪识别34-46
• 3.1 特征选择方法概述34-37
• 3.1.1 Relief与Relief F算法35-37
• 3.1.2 FCBF算法37
• 3.2 基于稀疏学习的特征选择方法37-41
• 3.2.1 算法原理38-39
• 3.2.2 稀疏模型的求解39-41
• 3.3 情绪识别实验41-45
• 3.3.1 不同特征选择方法的分类结果比较41-42
• 3.3.2 不同时间段、不同频段各通道处特征与情绪的相关性分析42-45
• 3.4 本章小结45-46
• 第四章f MRI辅助的情绪相关EEG通道选择方法46-60
• 4.1 背景介绍46-49
• 4.1.1 f MRI原理46-47
• 4.1.2 EEG正演模型47-48
• 4.1.3 基于f MRI信息的EEG分析现状48-49
• 4.2 基于EEG正演模型的情绪相关脑电通道选择方法49-53
• 4.2.1 基本方法49-51
• 4.2.2 实验材料51-52
• 4.2.3 数据处理52-53
• 4.3 结果分析53-59
• 4.3.1 f MRI情绪实验激活结果53-54
• 4.3.2 脑电情绪相关地形图54-55
• 4.3.3 通道筛选前后的分类正确率比较55-59
• 4.4 本章小结59-60
• 第五章 总结与展望60-62
• 5.1 总结60-61
• 5.2 展望61-62
• 致谢62-64
• 参考文献64-72
• 作者简历72

【参考文献】

中国期刊全文数据库 前10条

1 张迪;万柏坤;明东;;基于生理信号的情绪识别研究进展[J];生物医学工程学杂志;2015年01期

2 李营;陈帅;王丽;;基于近似熵和样本熵的思维脑电信号分析对比[J];重庆工商大学学报(自然科学版);2013年06期

3 李明爱;崔燕;杨金福;;脑电信号中眼电伪迹自动去除方法的研究[J];电子学报;2013年06期

4 雷煜;童莉;李建新;闫镔;;基于脑功能磁共振影像的视觉信息解读技术[J];计算机应用研究;2013年06期

5 王登;苗夺谦;王睿智;;一种新的基于小波包分解的EEG特征抽取与识别方法研究[J];电子学报;2013年01期

6 姚旭;王晓丹;张玉玺;权文;;特征选择方法综述[J];控制与决策;2012年02期

7 杨夷梅;杨玉军;;分支定界算法优化研究[J];中国科技信息;2008年21期

8 赖永秀;高婷婷;吴丹;尧德中;;音乐情绪感知的脑电研究[J];电子科技大学学报;2008年02期

9 白露,马慧,黄宇霞,罗跃嘉;中国情绪图片系统的编制——在46名中国大学生中的试用[J];中国心理卫生杂志;2005年11期

10 刘慧,和卫星,陈晓平;生物时间序列的近似熵和样本熵方法比较[J];仪器仪表学报;2004年S1期

，

本文编号：565963