基于稀疏表示的脑电（EEG）情感分类

发布时间：2021-02-13 22:56

　　计算机对人类情绪与情感的识别研究已经成为了脑机接口领域的研究热点。通过分析人类在生活中的各种情感状态,提取脑电信号的特征并对情感状态进行识别、分类是情感智能化领域的重要方向。针对基于音乐视频诱导的情感数据集DEAP进行了研究,提取脑电信号的频域特征后,提出了采用加速近邻梯度（APG）算法和正交匹配（OMP）算法求解稀疏编码的稀疏表示分类模型进行情感分类,并与支持向量机（SVM）算法进行效果比较。实验结果表明,APG算法通过l1范数正则近似求解以其快速的收敛速度在情感数据集上有着较好的分类表现,而OMP算法与SVM算法的分类效果相差无几,实现了情感脑电信号的分类。 

【文章来源】：计算机应用研究. 2019,36(03)北大核心

【文章页数】：6 页

【文章目录】：
0 引言
1 情感的维度
2 DEAP数据集
3 算法流程
    3.1 算法框架
    3.2 z-score数据标准化
    3.3 小波变换
    3.4 功率谱分析
    3.5 稀疏表示 （sparse representation）
        3.5.1 贪婪算法求解
        3.5.2 凸优化求解算法
4 情感识别实验结果分析
5 结束语


【参考文献】：
期刊论文
[1]基于改进StOMP算法图像压缩感知重构[J]. 刘继承,陈佳伟.  计算机应用研究. 2016(09)
[2]图像稀疏表示及其在图像处理中的应用[J]. 孙君顶,赵慧慧.  红外技术. 2014(07)
[3]基于小波变换和二维非负矩阵分解的人脸识别算法[J]. 李孔震,王炳和,娄昊,郑烨.  计算机应用研究. 2013(04)
[4]基于核空间类间平均距的径向基函数—支持向量机特征选择算法[J]. 黄应清,赵锴,蒋晓瑜.  计算机应用研究. 2012(12)



本文编号：3032703