论文部分内容阅读
脑电信号作为与大脑活动联系最为直接的生理信号而成为了情感研究领域与人机交互领域的热门课题。现代的人机交互系统大部分都不能有效地识别人类的情感状态并驱动机器来执行正确的动作。情感脑电信号研究的目的就是在进行人机交互的过程中更为准确、及时地检测特定的情感状态并实现相应的有价值的应用。脑电数据的分析方法主要有时域分析法、频域分析法、时频分析法及非线性动力学的分析方法,其中时频分析方法由于提供了时间域与频率域的联合分布信息而成为分析时变非平稳信号的有力工具。时频分析法中的希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)和小波包变换具有独特的魅力,得到广泛应用。为了提高情感脑电识别的准确率,本文以Sander Koelstra等人提供的一个公开的多模态情感数据集DEAP为研究对象,首先研究了情感脑电特征的归一化方式,然后提出了一种方差贡献率与F-score结合的特征选择方法,最后利用希尔伯特-黄变换、小波包变换提取脑电特征进行愉悦度的识别,并对这些特征的提取时间和分类准确率进行了比较。本文主要工作如下：(1)针对多被试情感脑电数据存在被试间特征值差异较大的问题,采用6种归一化方法,对所有被试的特征、单个被试的所有特征、单个被试的单种特征这三类单次归一化的数据范围进行了准确率上的比较,验证了单个被试的单种特征更适于作为多被试情感脑电数据单次归一化数据范围。(2)针对小波包分解树结点能量作为特征时特征数量较多的问题,提出了一种方差贡献率与F-score结合的特征选择方法,在不明显降低准确率的情况下,减少了特征数量。(3)考虑到希尔伯特-黄变换与小波包变换作为时频分析方法,更适用于分析非线性非平稳的脑电信号,本文在DEAP情感脑电数据集上用希尔伯特-黄变换与小波包变换提取出多个特征进行愉悦度的识别,并比较其特征提取时间及分类准确率。结果表明,利用小波包分解提取特征所需时间比希尔伯特-黄变换短。在使用方差贡献率与F-score结合的特征选择方法适量降低特征数量的情况下,IMF (Intrinsic Mode Function,内蕴模态函数)能量矩百分比与IMF能量百分比可以得到最高为84.38%的平均分类准确率,小波包分解树第5层结点能量的最高平均分类准确率为69.79%。研究表明希尔伯特-黄变换较小波包变换有准确率上的优势与计算时间上的劣势。