基于RVM的脑电信号情感识别及优化

发布时间：2021-04-27 17:22

　　情感识别技术对于人机交互的和谐发展以及人工智能的全面实现具有举足轻重的作用。通过对人类的情感状态进行研究和认识,可以使人类的身心健康得以保障。在众多的情感信号中,脑电信号因其产生机制以及在不同情感状态下具有的差异性,使得该信号具有一定的真实可靠性,目前已成为情感识别领域中的主要研究对象。但是,由于脑电信号自身具有的随机性和非平稳性等特点,使得对脑电信号的情感研究仍存在一定的困难。因此,良好的特征参数以及识别算法的稀疏性、鲁棒性、计算复杂度等特性对于情感的识别效率和准确率至关重要。鉴于此,本文通过分析脑电信号的特点和常用的识别方法,首先,提出采用与支持向量机（support vector machine,SVM）相似但模型更为稀疏的相关向量机（relevance vector machine,RVM）作为分类器对脑电信号进行情感研究;其次,提取了脑电信号的三种非线性特征,并通过融合和降维处理的方法择优而选;最后,进一步对基于RVM的多模式分类算法进行改进,以实现情感脑电分类精度的提升。详细的研究工作如下:（1）详细介绍了情感脑电信号识别系统的构成,重点分析了常用的特征分析方法及识别网络等... 

【文章来源】：太原理工大学山西省 211工程院校

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 情感脑电识别研究现状
        1.2.2 RVM算法研究现状
    1.3 情感脑电识别存在的问题
    1.4 研究内容及论文安排
第二章 脑电信号情感识别理论基础
    2.1 情感和情感计算
    2.2 情感模型
        2.2.1 离散情感模型
        2.2.2 连续情感模型
        2.2.3 基于认知评价的情感模型
    2.3 脑电信号的特点
        2.3.1 大脑皮层的结构
        2.3.2 脑电信号的分类
        2.3.3 脑电信号与情感的关系
    2.4 脑电信号情感识别原理框图
    2.5 脑电信号的特征提取
        2.5.1 功率谱熵
        2.5.2 近似熵
        2.5.3 样本熵
        2.5.4 Hurst指数
    2.6 基于脑电信号的模式分类
        2.6.1 常用的分类模型
        2.6.2 RVM分类器
    2.7 本章小结
第三章 基于二分类RVM的脑电信号情感识别
    3.0 基于SVM的脑电信号情感识别算法
    3.1 基于RVM的脑电信号情感识别算法
    3.2 SVM和RVM的模式性能分析对比
    3.3 实验仿真
        3.3.1 实验数据
        3.3.2 脑电信号的预处理
        3.3.3 特征提取
        3.3.4 实验与结果分析
    3.4 本章小结
第四章 基于改进多分类RVM的脑电信号情感识别
    4.1 基于RVM的多模式分类算法
        4.1.1 OAA算法
        4.1.2 OAO算法
    4.2 多分类模式的改进——“OAA-OAO”二层分类算法
        4.2.1 改进的多分类算法原理及流程图
    4.3 实验仿真
        4.3.1 特征提取与融合
        4.3.2 实验及结果分析
    4.4 本章小结
第五章 总结与展望
    5.1 本文总结
    5.2 工作展望
参考文献
致谢
攻读学位期间发表的学术论文目录


【参考文献】：
期刊论文
[1]基于脑电情绪识别的研究现状[J]. 张本禹,蒋惠萍,董林杉.  中央民族大学学报(自然科学版). 2017(03)
[2]抑郁症静息脑电的小波包节点功率谱熵分析[J]. 盖淑萍,刘欣阳,刘军涛,孔壮,徐声伟,蔡新霞.  传感器与微系统. 2017(03)
[3]基于心率变异性分析的睡眠分期方法研究[J]. 王金海,孙微,韦然,赵晓赟,国海丁,王慧泉.  生物医学工程学杂志. 2016(03)
[4]基于生理大数据的情绪识别研究进展[J]. 赵国朕,宋金晶,葛燕,刘永进,姚林,文涛.  计算机研究与发展. 2016(01)
[5]改进的多尺度熵算法及其情感脑电特征提取性能分析[J]. 李昕,谢佳利,侯永捷,王金甲.  高技术通讯. 2015 (Z2)
[6]相关向量机及其在机械故障诊断中的应用研究进展[J]. 王波,刘树林,张宏利,蒋超.  振动与冲击. 2015(05)
[7]基于脑电的情绪识别研究综述[J]. 聂聃,王晓韡,段若男,吕宝粮.  中国生物医学工程学报. 2012(04)
[8]基于遗传相关向量机的图像分类技术[J]. 张昱,谢小鹏.  计算机仿真. 2011(05)
[9]额叶EEG偏侧化:情绪调节能力的指标[J]. 张晶,周仁来.  心理科学进展. 2010(11)
[10]基于情绪图片的PAD情感状态模型分析[J]. 刘烨,陶霖密,傅小兰.  中国图象图形学报. 2009(05)

博士论文
[1]相关向量机多分类算法的研究与应用[D]. 柳长源.哈尔滨工程大学 2013

硕士论文
[1]基于支持向量机的不平衡数据分类算法研究[D]. 洪淑芳.江苏科技大学 2014
[2]基于脑电信号样本熵的情感识别[D]. 李立.太原理工大学 2014
[3]相关向量机的改进及应用研究[D]. 赵倩倩.河北工业大学 2014
[4]相关向量机在语音识别中的应用研究[D]. 沈泉波.中北大学 2013
[5]基于RVM和混合优化算法的变压器故障诊断与预测应用研究[D]. 廉建鑫.太原理工大学 2012
[6]基于脑电信号的中文情感词的情感识别[D]. 曹梦思.北京邮电大学 2012
[7]基于心电信号的情感识别研究[D]. 徐亚.西南大学 2010
[8]脑电信号在情感识别中的研究[D]. 陈曾.西南大学 2010



本文编号：3163863