基于自回归小波包熵特征融合算法的情感识别研究

发布时间：2018-06-15 12:07

  本文选题：情感识别 + 脑电信号　； 参考：《生物医学工程学杂志》2017年06期

【摘要】：针对提高情感识别正确率这一国际开放问题,本文提出了一种基于小波包熵和自回归模型相结合的脑电信号特征提取算法。自回归过程能最大程度逼近脑电信号,用很少的自回归参数提供丰富的谱信息。小波包熵反映脑电信号在各个频带中的谱能量分布情况。将二者结合,能够更好地体现脑电信号的能量特征。本文基于核主成分分析方法,实现了脑电信号特征提取融合。课题组采用情感脑电国际标准数据集(DEAP),选取6类情感状态以本文算法进行情感识别。结果显示,本文算法情感识别正确率均在90%以上,最高情感识别正确率可达99.33%。本文的研究结果表明,该算法能够较好地提取脑电信号情感特征,是一种有效的情感特征提取算法。
[Abstract]:In order to improve the international openness of the accuracy of emotion recognition, this paper proposes an algorithm based on the combination of wavelet packet entropy and autoregressive model. The autoregressive process can maximize the approximation of EEG signals and provide rich spectral information with few autoregressive parameters. The distribution of spectral energy in the frequency band. The combination of the two can better reflect the energy characteristics of the EEG signal. Based on the kernel principal component analysis, this paper realizes the feature extraction and fusion of the EEG signals. The topic group adopts the international standard data set of emotional EEG (DEAP), and selects 6 kinds of emotional state with this algorithm to recognize the emotion. The correct rate of emotion recognition in this algorithm is above 90%. The results of the highest emotion recognition accuracy can reach 99.33%.. The results show that the algorithm can extract the emotional characteristics of EEG signal well, and it is an effective emotion feature extraction algorithm.
【作者单位】： 燕山大学电气工程学院生物医学工程研究所;河北省测试计量技术及仪器重点实验室;河北大学生物医学工程系;惠斯安普医学系统股份有限公司;
【基金】：国家自然科学基金(51677162) 中国博士后科学基金资助项目(2014M550582) 河北省自然科学基金资助项目(F2014203244)
【分类号】：R318;TN911.7

【相似文献】

中国期刊全文数据库 前10条

1 鲁强;刘玉军;徐建兰;张进禄;;一种适用于清醒动物脑电信号采集的固定装置[J];首都医科大学学报;2011年06期

2 孟欣，，欧阳楷;脑电信号的几个非线性动力学分析方法[J];北京生物医学工程;1997年03期

3 吴小培,冯焕清,周荷琴,王涛;独立分量分析及其在脑电信号预处理中的应用[J];北京生物医学工程;2001年01期

4 李英远,周卫东;径向基函数神经网络在脑电信号建模中的应用[J];山东生物医学工程;2002年02期

5 刘大路,江朝晖,冯焕清,王聪;基于脑电信号时空分布信息的思维特征研究[J];北京生物医学工程;2004年02期

6 许崇涛,沈民奋,李慧,朱国平;双谱分析方法在脑电信号分析中的应用[J];中国行为医学科学;2004年03期

7 李谷;范影乐;庞全;;基于排列组合熵的脑电信号睡眠分期研究[J];生物医学工程学杂志;2009年04期

8 刘国松;周佳音;;脑电信号的计算机频谱分析[J];生物化学与生物物理进展;1985年03期

9 马彦斌，吴祈耀;维格纳分布在脑电信号处理中的应用[J];北京理工大学学报;1995年02期

10 吴祈耀，吴祈宗;脑电信号的现代谱分析技术[J];北京理工大学学报;1995年02期

中国博士学位论文全文数据库 前1条

1 马小飞;认知任务下的脑电动力学分析[D];南京大学;2017年

中国硕士学位论文全文数据库 前10条

1 沈成业;基于脑电信号的情感识别[D];太原理工大学;2017年

2 郭敏;基于脑电图的诱发型情感识别及机制研究[D];华侨大学;2017年

3 李宇驰;基于EEG脑网络的情感分析与识别[D];太原理工大学;2017年

4 于洪;基于脑电信号的警觉度估计[D];上海交通大学;2007年

5 张志琴;脑电信号的复杂性分析[D];中南大学;2009年

6 许凤娟;脑电信号采集与分析系统的设计[D];长春理工大学;2011年

7 王欢;基于非平稳时间序列分析方法的脑电信号模式识别[D];苏州大学;2015年

8 王世通;基于多尺度符号序列熵的睡眠脑电与少中年脑电信号分析[D];南京邮电大学;2015年

9 徐朝阳;基于深度网络的脑电信号分类方法研究[D];中国海洋大学;2015年

10 王帅;基于符号化表示学习的脑电信号情绪分类方法研究[D];哈尔滨工业大学;2016年

本文编号：2021954