面向情绪识别的脑电特征提取与通道选择方法研究

发布时间：2021-04-06 11:40

　　近年来人机交互领域迅速发展,正确识别和分析人类情绪成为智能化的一项重要指标。与其它生理信号相比,脑电（EEG）信号具备不易伪装、时间分辨率高等优点,逐步成为情绪识别研究的重点。一方面,现有脑电信号的研究多使用传统的线性分析方法,虽然具有一定的分辨率,但存在抗噪声能力弱,对时间信号不敏感等缺点。因此,提出使用非线性的多尺度排列熵（MPE）算法研究脑电信号,使得情绪相关的脑电信号可识别性大大提高。另一方面,基于脑电信号的情绪识别研究多数采用所有通道的脑电数据,虽然取得了不错的效果,但实际实验过程中存在特征维数较高,特征之间存在关联,特征内部存在冗余等缺点影响了情绪识别的结果。为此,研究了情绪识别中不同脑电特征组合及通道优化选择方法,为便携脑电设备提供了一种新思路。论文主要工作如下:（1）针对脑电信号非线性和随机性且无法满足非平稳随机信号的处理要求等缺点,提出了基于多尺度排列熵的面部表情识别方法。该方法将多尺度熵（MSE）和排列熵（PE）结合起来形成一种新的非线性分析方法,这不仅满足了非平稳随机信号的处理要求,而且具有鲁棒性强、区分效果明显等特点。实验部分,探究了尺度因子对多尺度排列熵性能的... 

【文章来源】：山东师范大学山东省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

情绪识别流程图

山东师范大学硕士学位论文123.1多尺度排列熵多尺度排列熵是在排列熵基础上进行改进的一种脑电特征提取方法。基本过程大致可以分为两步：第一步，将时间序列进行粗粒化处理；第二步，将粗粒化处理后的数据进行排列熵值的计算分析。情绪识别脑电信号的研究对象是脑电信号的非线性时间序列。在一定的采样频率下，脑电信号会随着电位变化产生一种时间序列。两个采样点之间的电位变化就是研究的重点，每个时间采样点对应(),=1,2,…,，()表示第个时间采样点的电位值。多尺度排列熵的算法流程如图3-2所示：时间序列粗粒化序列重构概率计算熵计算多尺度排列熵ymtP多尺度排列熵图3-2多尺度排列熵算法流程图3.1.1均值粗粒化均值粗粒化（CoarseGraining，CG）方法[41]是是根据实际需要对给定时间序列进行分段处理的一种操作方法。下面给出了具体的实现过程：对于给定的时间序列()，可以根据公式3-1得到粗粒化的时间序列：()()=1(),(1≤≤(1)+1)(3-1)其中，和分别代表()的尺度因子和采样个数，具体粗粒化过程由图3-3表示。图3-3均值粗粒化过程图

山东师范大学硕士学位论文18图3-7尺度因子为1-5愤怒和高兴多尺度排列熵值差异从图3-7中可以看出，MPE的数值随着尺度因子的增大逐渐增大，而后趋于平稳，且愤怒表情MPE的数值明显高于高兴表情的MPE值。表3-2给出了两种表情的多尺度排列熵值的详细差异，表中的尺度因子取值为1到5，共5组数据。分析表中的数据，可以得出愤怒脑电信号的多尺度排列熵值要高于高兴的熵值。表3-2愤怒和高兴脑电图多尺度排列熵尺度因子‘F4’‘F6’‘F8’‘FC6’愤怒高兴愤怒高兴愤怒高兴愤怒高兴12.10111.90272.13641.91732.12571.94332.09582.010122.64622.43372.66362.50702.64682.51472.64242.530532.94182.70552.94672.85472.90952.86982.95102.814143.01472.85423.06182.96473.03532.92373.07902.967253.05552.87633.08652.96543.10482.91803.08053.0299结合图3-7和表3-2可以得到，随着尺度因子从1增长到5，愤怒和高兴两种面部表情脑电信号熵值的增长趋势明显放缓，但仍然有微小地增长。分析数值可以发现，两种情绪


本文编号：3121367