论文部分内容阅读
情绪与每个个体的日常生活密切相关,良好的情绪能使个体保持良好的工作和生活状态,不良情绪会降低个体的注意力与判断力,若未及时加以重视,将会影响个体的生理与心理健康,严重者危及其个人和他人生命及财产;同时,鉴于基于情绪的人机交互对人工智能发展的重要性,故研究个体情绪状态并有效识别具有一定的现实意义。脑电信号(Electroencephalogram,EEG)是大脑活动的直接产物,可直接反映个体的情绪状态,基于脑电信号的情绪识别已成为学者们研究和关注的热点方向之一。目前,脑电信号情绪识别面临的问题是个体特异性与全局阈值不匹配导致的部分被试结果不准确。针对该问题,本文提出了一种ReliefF匹配特征选择算法(ReliefF Matching Feature Selection,RMFS),通过筛选实验对象的特征种类与通道,能够有效地获取不同被试的匹配特征,并剔除其中的无关信息和冗余信息,解决无法体现个体特异性的问题。本文提出的基于RMFS算法的情绪识别实现过程为:首先,对DEAP数据库中选取的数据进行预处理,将单个被试的样本容量扩充至560个;其次,对样本数据进行5层DB5小波包分解,并将其重构到与情绪相关的六个波段,使用经验模态分解得到每个信号的IMF分量,并提取基于小波系数和重构信号IMF分量的十类特征;再次,使用RMFS算法针对每个被试进行特征选择,得到不同被试的匹配特征组与匹配通道;最后,采用支持向量机(Support Vector Machine,SVM)对选择的匹配特征组与匹配通道进行情绪分类,获得分类结果,并计算识别准确率。通过对单被试特征选择实验,验证了RMFS算法可使计算效率大幅提高;分析了全体被试匹配特征组构成,得到全局最优的四类特征,并证明使用RMFS算法对不同被试进行特征选择的必要性;通过研究三种情绪分类方式(32位被试的效价和唤醒度的情绪二分类,情绪四分类,两两情绪之间的分类),实验结果验证了RMFS算法的有效性与可行性;同时,通过与传统算法的对比实验,可见当情绪分类依据更多维度时,RMFS算法较传统算法具有更大的优势。文中共有图23幅,表7个,参考文献75篇。