《基于脑电信号情绪识别的特征提取与选择方法研究.docx》由会员分享,可在线阅读,更多相关《基于脑电信号情绪识别的特征提取与选择方法研究.docx(20页珍藏版)》请在第一文库网上搜索。
1、学位论文题目基于脑电信号情绪识别的特征提取与选择方法研究填写要求一、论文题目是论文中心思想的高度概括,要求准确、规范、用词科学、简洁,一般不能超过25个汉字。二、参考文献(参考文献应为近五年的50篇以上,其中外文资料不少于1/3)o三、硕士学位论文选题报告通过后,此表一式两份,均由学院保存(其中一份在研究生获得硕士学位后装入研究生个人学位论文档案袋存档)。四、本表个别栏目填写空间不足时,可续页。五、选题报告为A4纸双面打印,字号:宋体、小四,1.3倍行距,于左侧装订成册。一、选题依据1选题类型本课题类型为基础研究2 .选题来源自选3 .研究意义情绪是人对客观事物或者自身刺激带来的生理反应,来源
2、于人们身体发生的变化。情感的产生必然会伴随着身体上的某些变化,例如面部表情、内脏或肌肉活动等。稳定且积极的情绪有助于保持健康生活,有效地避免抑郁和抑制其他由愤怒引发的常见疾病。Ekman等将情绪划分为悲伤、高兴、恐惧、厌恶、惊讶和愤怒,而在情感识别过程中,微表情、生理信号和脑电信号作为重点数据来源,被广泛应用于后期的情感分析处理中,取得了良好效果。随着研究的不断深入,人们发现情感与人的生理和心理活动有着紧密的联系,与大脑皮层的活动关联尤为明显。因此兴起大量了采用心电、肌电以及脑电等生理信号进行情感识别的相关研究。脑电信号是一种极其微弱的生理信号,容易收到外界因素和监测设备以及其他生理信号的干扰
3、,导致区分脑电信号所表示的隐藏情感存在较大难度。但相比于其他生理信号,脑电信号的可靠性更高,且无法进行伪装或人为操纵或改变,可以更加准确有效地对情绪状态做出评估。由于脑电信号在情绪识别方面的独特优势,已成为人工智能领域的一个热门研究方向,情绪识别在大部分领域具有重要意义。在教育领域,如果提前知道学生的情感状态,可以更好的按照学生的情感进行课程安排,缓解学生的枯燥情绪,提高学生的积极情绪,为学生提供更高品质的教育资源;在医学领域,可以为精神疾病的诊断提供治疗依据,或者在医疗护理中,对于一些表达不便的病患,如果能知道他们在治疗过程的情感状态,就可以即时的缓解病患的消极情绪,提高医疗的效果;在航空航
4、天领域,通过情绪识别和分析技术,可以远程监控宇航员的情绪状态,在发现宇航员产生消极情绪时可以通过心理疏导使宇航员保持积极的情感状态,使得飞行任务得以安全高效的完成。在人机交互方面,人类期望机器人不单是一个冰冷的有强大数据分析能力的机器,更希望机器人能读懂人类的情感,按照人类的情感来执行某些功能,更好的去服务人类。现阶段情绪识别的方式主要分为两方面:一是通过人的面部表情、语音声调、身体姿态等非生理信号进行识别,由于这些非生理信号可以通过伪装等手段进行人为控制,导致有时不能获取到可以代表情绪的真实信号,从而无法准确地识别出真实的情绪状态。另一方面可以利用脑电信号、心电信号、肌电信号、皮肤电流反应等
5、生理信号进行情绪识别。由于伴随情绪所产生的生理信号是由人体的神经系统和内分泌系统自发产生的,不易受到人为因素的影响,生理信号能够更准确地反映人类的情绪状态,基于生理信号的情绪识别能获得更加客观真实的结果,更有利于实际应用。本课题以脑电信号情绪识别任务作为切入点,在脑电信号特征提取、选择以及分类器技术上,提出了一种多个特征融合的脑电信号情感识别方法,在公开标准的脑电信号识别数据集DEAP上进行实验验证提出模型在脑电信号情绪实验任务上的有效性,并对实验结果进行相应讨论。4 .国内外的研究现状随着脑电信号情绪识别研究发展进程的加快,国内外研究者们提出了许多关于脑电特征提取和选择的方法。如何从预处理后
6、的脑电信号中提取最能表征情感状态的特征,对于后续的情绪分类起着决定性的作用。1)特征提取方法国内外研究现状现有的最新研究表明,针对相同的实验数据集,特征提取方法的差异对于情绪识别的结果影响很大,对没有经过任何处理的脑电信号进行情绪识别无疑是不能达到预期的效果。因此,对脑电信号分析的首要任务就是进行特征提取,通过对脑电信号的分析,可以从时域、频域、时频域上进行特征提取。除此之外,还有研究者将空间信号、非线性动力学方法、经验模式分解应用于脑电信号的提取中。Kha1i1i等人首先提出了提取脑电信号的时域特征,从大脑中提取出脑电信号的平均值、方差、偏度和峰值等时域特征进行情感识别,达到了很好的分类效果
7、,也对后续脑电信号研究带来了新思路。AggarWaI等人(2018年)提取了脑电的9个统计特征,如均值、方差等,用于情绪分类。1iang等人(2019年)提取了脑电信号的均值和标准差等统计量特征进行情绪识别,为脑电信号的处理和解码提供了一种有竞争力的方法。Xing等人(2019年)提取了五个频带上的功率谱密度,将其与多媒体特征融合取得了良好的情绪识别效果。Zheng等人在识别正性、中性和负性3种情绪的实验中,使用DE作为特征获得的识别准确率高于其他特征.Mut1u161(2018年)提出一种基于HiIbert振动分解(HVD)的脑电信号识别框架,其计算复杂度较低,更适合于实时生理信号处理应用。
8、总体而言,时频域法能够更加细节地表现出脑电信号的瞬时特征。总体而言,时频域法能够更加细节地表现出脑电信号的瞬时特征。杨默涵等人(2017年)基于总体经验模态分解(EnSembIeEmpirica1ModeDecomposition,EEMD)和近似端提出一种多特征提取方法。Ghare等人完成了从数据采集到分类器分类的一系列过程,在特征提取阶段,Ghare利用小波变换对脑电信号进行时频结合的特征提取,通过计算变换后的信号每个频带中的能量、绝对功率的最大与最小比率等统计特征作为实验特征,最后使用SVM分类器来检测人的离散情绪(快乐,愤怒,悲伤和哭泣)。AnaSSamara使用切比雪夫有限脉冲响应滤
9、波器提取出a1pha、beta、de1tatheta等四个波段,并使用统计特征进行情绪识别,识别准确率可达79.83%。脑电信号是产生于复杂大脑系统的一种非平稳时变信号,具有显著的非线性和混沌性,线性分析方法会丢失很多脑电信号的原始信息,因此将非线性系统和复杂度分析应用到脑电的分析方法应运而生。非线性分析方法主要是解释大脑的动力学特征和不同情绪状态之间的关系,探索不同脑区在不同情感下的活动变化,为采用脑电进行情绪识别等相关研究提供可靠的技术支持。DuanRUonan【等人首次将微分精(DifferentiaIentropy,DE)特征应用在多频带的脑电信号上,实验结果表明了微分燧特征优于频带能
10、量特征,Gamma频带下的特征优于其他频带下的特征。1iUXUCheng等人(2019年)使用相位滞后指数(PhaSe1ag1ndex,P1I)构建了P1I关联矩阵,并且提取了对应的功能脑网络属性作为特征,实验结果表明Beta频带下的功能脑网络特征更加适合于情绪识别任务。ISMAEu等人(2023年)提出一种两步多数投票的方式来解决情感识别问题,第一步基于小波嫡特征确定每一频段的最佳通道,第二步利用选出的所有频段的通道预测情感状态。YaZdaniAn引(2018年)提出了一种基于联合稀疏表示(JSR)的多特征情感识别方法,将简单特征融合转化为优化问题。具体而言,将每个单个特征的稀疏矩阵组合以获
11、得这些特征的JSR,并采用三种不同的EEG特征(包括小波能量,Hurst指数和分形维)来产生多特征融合结果,实验结果表示提出的多特征融合算法的平均识别精度超过85%,比传统方法高8%。C.Zhao等人“阳(2023年)研究了非线性脑电特征和通道选择方法对情绪识别的影响。CZhaO等人使用滑动窗口提取反映大脑状态的分形维数(FD)o通过从整个样本计算FD分数来筛选出前七个频道。然后,根据前额通道,滤波通道和相关通道的信号,用支持向量机(SVM)和K最近邻居(KNN)对价和唤醒情绪进行分类。结果表明,前额通道Fp2,AF8,FPZ在化合价分类中起重要作用。2)特征选择方法国内外研究现状随着对情绪脑
12、电识别的不断深入,越来越多的研究对脑电设备便携性、数据可操作性有了更高的要求,而通道数量的减少对上述性能的提高具有很大的帮助。目前已经有学者对通道选择进行了相关研究。Zhang等人使用具有200Hz采样率和3s的总记录时间的2通道EEG观察情绪自然场景刺激的人脑活动,该实验总共产生600维数据,Zhang等人通过PCA从原来的600维数据中选择能表征情感的数据,当特征的数目为I(X)维时取得了不错的分类识别结果,这证特征维度的能力。WE11等人(2023年)使用C-RFE先根据权重对特征进行排序,选择出贡献度较高的脑电特征,运用最小二乘支持向量机分类,解决了脑电维数高的问题。DiahKT等人【
13、(2019年)使用PCA进行特征选择,分别使用KNN和加权KNN进行分类,实验结果表示时域特征取得较好结果,但是整体性能偏低。李宇驰等人(2017年)使用相位锁值(PhaSeIoCkingVa1ue,P1V)在DEAP数据集上构建功能脑网络,首先将EEG信号通过小波包分解到不同频段,再构建P1V关联矩阵,进一步二值化处理,提取功能脑网络属性进行情绪识别任务,实验结果表明相位锁值方法非常适合于构建情绪脑电数据的功能脑网络。3)分类方法国内外研究现状分类识别是脑电情绪识别研究的重要一环,主要任务是通过提取的各种类型的脑电特征来确定不同情绪状态对应的脑电模式,选择一个好的分类识别方法对情绪识别来说也
14、至关重要。常用的EEG情绪识别分类方法主要有无监督学习、半监督学习和有监督学习。Mai【等(2023年)通过结合时频域和非线性功率分析来研究耳鸣患者的EEG信号与健康受试者的特异性差异,采用支持向量机对提取的不同频带特征进行训练,取得了良好效果,给临床医生提供一种客观的诊断方法。使用基于概率的特征(PBF)来提高机器学习模型的效率。PBF方法利用随机森林(RF)和梯度提升机(GBM)的概率输出作为特征向量来训练机器学习模型,在多个公开的EEG数据集上进行了大量实验,结果表明利用PBF方法训练随机森林(RF)和梯度提升机(GBM)的有效性。1IU等人3(2023年)先分别提取脑电信号的时域特征(
15、Hjorth参数和Energy)、STFT变换后的频域特征(Power、RASM和DASM)和经过小波变换后提取的时频域特征(EntrOPy和Energy),然后分别对每个特征采用SVM评估性能。李嘉莹I等人(2023年)使用滤波器组共空间模式(fi1terbankcommonspatia1pattern,FBCSP)进行特征提取后采用线性判别分析(1ineardiscriminantana1ysis,1DA)与K-近邻法(k-nearestneighbor,KNN)相结合的方法实现分类识别。YUIiIa122】等(2023年)将支持向量机(SVM)与方法F1DA相结合,使用脑电信号作为输入来
16、训练情绪识别模型,发现F1DA-SVM方法高于实验对比模型,有效提升脑电情感预测性能。二、文献综述对文献进行归纳总结、分类评价。1 .特征提取方法对于研究脑电信号特征的提取方法,可按照特征类别将其分为两大类:线性分析方法和非动力学分析方法。线性分析方法是针对时域特征、频域特征和时频域特征的研究方法。由于脑电信号是一种非平稳随机信号,仅从时域或频域进行特征提取具有局限性,无法获取脑电信号中的非线性信息,相较于传统的线性分析方法,非线性动力学分析方法更适用于脑电信号的分析。1)时域特征脑电信号是根据一定的采样频率按时间的先后顺序采集的,即脑电信号是一组离散时间序列,所以时域特征是最直观易得的。常用的时域分析方法有幅值、方差、均值、均方根、过零点分析、方差分析、直方图分析、峰值检测、波形参数分析以及线性预测等。BOZhkoV23等人