论文部分内容阅读
情绪是伴随着认知和意识过程产生的心理和生理状态,在人类交流中扮演着非常重要的角色,情绪的分析和识别在人机交互、康复医疗等领域具有广阔的应用前景。在可用于情绪识别的各类信息源中,脑电信号不易伪装、反应灵敏、识别结果客观真实,是现在的研究热点。目前研究离散模型下基本情绪识别较多,基于维度模型的研究较少,分类正确率也不高,并且主要是针对单一类刺激源的诱发方式,而现实生活中情绪往往是由多类刺激源诱发,因此提高多类诱发方式下情绪维度空间的识别正确率是非常必要的。本文在研究了基于多元经验模态分解(Multivariate Empirical Mode Decomposition,MEMD)的特征提取算法和基于序列浮动前向搜索算法(Sequential Floating Forward Selection,SFFS)的特征选择算法的基础上,提出了相应的改进算法,完成视听诱发方式下情绪维度空间的识别分析并设计了音乐和图片两类典型的情绪诱发实验,在此基础上搭建了一个基于脑电信号的视听诱发情绪识别系统。主要研究工作如下:(1)针对空间均匀采样的方式不能很好的反映多元脑电信号动态特征的问题,在MEMD算法的基础上,提出自适应选择投影方向的非均匀采样MEMD算法。首先,对多通道脑电信号进行非均匀采样的多元经验模态分解,选择有效的固有模态函数提取情绪脑电特征,对情绪维度模型二维坐标体系效价-唤醒度下的正负效价和高低唤醒度进行分类。实验结果表明,该方法有效提取了脑电信号特征,提高了情绪脑电信号的分类正确率。(2)针对特征提取过程中存在特征冗余、特征维度高的问题,以SFFS算法作为最优特征集合选入和剔除的搜索策略,结合过滤器(Filter)和封装器(Wrapper)作为最优特征子集的评价准则,提出混合SFFS的特征选择算法来优化特征提取形成的高维向量空间。实验结果表明,该算法在有效降低特征维度、剔除冗余特征的同时提高了脑电信号的分类正确率,能有效地进行特征选择。(3)搭建基于脑电信号的情绪识别系统并完成视听诱发实验,实现基于效价-唤醒度两个维度上的情绪在线识别。设计情绪音乐和图片两类典型的诱发实验,完成听觉通道刺激和视觉通道刺激下的情绪识别,验证本文特征提取和选择方法的有效性,搭建基于脑电信号的情绪识别系统,该系统通过socket接收UE-16B脑电放大器采集的脑电数据,并调用MATLAB对脑电数据进行特征提取、选择和分类等处理,通过实验流程控制和数据同步控制后最终将维度空间的情绪信息反馈给受试者。