论文部分内容阅读
近年来,随着人工智能和人机交互研究的快速发展,情感计算研究越来越受人们关注。情感识别是情感计算的主要研究内容,基于生理信号的情感识别被人们所认可。脑电信号能够综合反映大脑神经元电活动,反映了大脑在不同认知任务和功能状态下的响应,并且脑电信号不能主观地进行刻意的掩饰,基于脑电信号实现情感识别,可以真实、客观、科学地反映人的情感状态。多分辨性、非线性、多尺度是脑电信号的主要特征,多尺度熵特征量能够充分反映脑电信号的这些特性。本文采用排列熵(PE)、近似熵(ApEn)、样本熵(SampEn)作为熵特征量,运用经验模态分解(EMD)、离散小波分解(DWT)、均值粗粒化方法(CG)和移动均值粗粒化方法(MA)作为多尺度化方法,以粒子群参数寻优的支持向量机分类器实现情感识别。在正、中、负三类情感的分类识别中,首先比较了近似熵、样本熵、排列熵与多尺度近似熵,多尺度样本熵及多尺度排列熵的识别效果,结果表明:多尺度熵特征提取方法,在测试集的识别正确率最高可达到94.33%,分类正确率显著高于单纯熵算法。为讨论不同脑区对情感的敏感程度,采用12种多尺度熵方法来比较不同脑区的情感分类能力,在16个通道中,O2的情感识别能力最好,在CG_PE特征提取算法中测试集识别率高达82.86%;比较了不同脑区以及左右半球的情感识别效果。不同脑区情感识别结果表明:基于MA_PE特征提取方法,枕区的测试集准确率达到了77.05%,在左右半球分类正确率结果表明:右半球的准确率都要略高于左半球,使用MA_PE方法时,在测试集的差距最大可达8.61%。少数的例外出现在DWT_SampEn方法的训练集和测试集,以及EMD_SampEn方法的训练集部分。总体上可以认为,不同的情感状态在右半球表现得更为明显,右半球对情感状态更为敏感。结果表明:多尺度熵算法可以充分挖掘脑电信号的多尺度特征,能够较好地实现情感识别与情感敏感脑区分析,是一种有效的脑电特征提取算法。