论文部分内容阅读
情感与人类的生活密切相关,它受到人脑中枢神经系统的控制以产生相应的情感状态。情感识别是通过计算机技术来感知人类的情感状态变化,使其在不同的环境下准确识别出人类的情感,与此同时,它也能够不断促进和完善人机交互技术的进步与发展。目前,许多学者利用呼吸、肌电、心电、脑电等生理信号进行情感识别研究,其中以脑电信号研究居多,因为脑电能够充分反映出大脑在不同认知任务和功能状态下的响应,能够表现大脑的整个神经元活动,它不会受到人为刻意掩饰的影响,因此基于脑电信号(EEG)的情感识别研究可以更客观、更充分的反映人类情感状态的变化。基于脑电信号的情感识别研究主要集中在特征提取和情感分类两个关键步骤,人体大脑皮层的脑电信号是一种包含了许多干扰信号的非平稳随机信号,研究过程中需要对其进行相应的预处理,提取出有效地情感特征信息,之后使用分类算法对提取的情感特征进行分类以识别受试者的不同情感状态。本文在对脑电信号研究的基础上,提出一种新的脑电特征和情感识别分类方法,主要工作如下:1、提出了一种基于稀疏组lasso-granger因果关系特征的脑电情感识别方法。在实验中,首先使用granger算法提取受试者α、β、γ脑电波段的granger因果特征值,然后通过稀疏组lasso算法对因果特征进行筛选以获得高相关性的特征子集,最后使用SVM分类器进行情感分类,此外在特征提取过程中,应用ReliefF算法选取有效的EEG通道以降低计算时间。实验表明,该方法提取的脑电情感特征能有效识别受试者的不同情感状态,在Valence-Arousal二维情感模型上分别获得87.15%、86.60%的平均情感分类准确率,分类效果要优于对比的脑电特征。2、提出了一种基于CapsNet神经网络的情感分类方法。采用稀疏组lasso-granger因果关系方法提取原始脑电信号的granger因果关系特征,将获取的高相关性特征子集作为该网络的输入,实现最终情感分类。实验表明,通过调整网络结构和模型参数来构建CapsNet神经网络对脑电信号进行情感分类,在Valence-Arousal情感维度下分别获得88.09%、87.37%的平均情感分类准确率,该方法相比SVM、CNN、DBN等分类系统能够得到更优的结果,显著提高了脑电情感分类的性能。