论文部分内容阅读
情感识别已经成为生物医学、生物信息、人工智能和数据挖掘等领域一个新的研究热点。情感识别的主要研究内容是根据不同情感所特有的特征,用计算机作为处理数据的工具,以此来达到人机交互的目的。研究表明,脑电、心电和肌电等生理信号的产生与人类情感密切相关。其中,脑电信号因具有研究成本低和在情感识别过程中具有客观性等优点,成为了国内外学者的研究热点。因此,将脑电信号用于情感识别具有极强的理论意义和现实意义。在情感识别的研究过程中,特征提取和分类是两个关键的步骤。国内外学者进行特征提取的方法一般有两种,多数学者采用单一的特征提取算法,例如离散小波变换、功率谱密度、快速傅立叶变换、自回归模型、近似熵和小波熵等;少数学者将两种特征提取算法相结合,例如功率谱密度和自回归模型的结合,近似熵和小波熵的结合等。针对脑电信号非线性和非稳定性的特点,以DEAP情感数据为研究对象,本文提出了两种基于组合特征提取的情感识别分类方法,主要工作如下:(1)提出了一种基于经验模态分解和样本熵相结合的特征提取方法。提出的方法首先使用经验模态分解算法来分解F3和C4通道中的脑电信号。原始脑电信号经过经验模态分解之后,最终获得一系列固有模态函数。其次,根据累计方差贡献率,选择前四个固有模态函数来计算不同段长所对应的样本熵值。最后,该样本熵值作为特征向量被送入支持向量机中,用于训练和测试。实验充分考虑了不同时间窗下所划分的不同段长对分类准确率的影响。实验结果表明,所提出的特征提取方法比其它方法在脑电情感识别上具有明显优势。(2)提出了一种基于小波包分解和自回归模型相结合的特征提取方法。提出的方法首先将相干性分析方法用于脑电情感的通道选择中,选择出最优的三个通道FP1、O1和AF4;其次,用小波包分解对选择出的这三个通道的脑电信号进行分解;然后,针对小波包分解后的叶子节点进行自回归模型计算,自回归系数作为特征值,构成特征向量;最后,用支持向量机进行训练和测试,并评估分类性能。实验结果表明基于该特征提取方法的情感识别的准确率高,具有较好的分类效果。