[發明專利]基于組合特征提取的腦電情感識別方法

在審

• 申請號: 201611199739.5
• 申請日: 2016-12-22
• 公開（公告）號: CN106803095A
• 公開（公告）日: 2017-06-06
• 發明（設計）人: 張永;吉曉敏
• 申請（專利權）人: 遼寧師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 大連非凡專利事務所21220
• 代理人: 閃紅霞

技術領域

本發明涉及數據挖掘領域，具體涉及一種可同時處理情感腦電信號的非線性和非平穩性、提高分類精度、準確率及執行速度的基于組合特征提取的腦電情感識別方法。

背景技術

情感是由外界的感知所引發的一種心理和生理過程，它在人與人的交流過程中扮演著很重要的角色。有效的情感識別可以幫助我們解決很多現實生活中的問題，也是實現人工智能必須要解決的問題。例如：司機駕駛過程中精神狀態的檢測、顧客對產品滿意度的調查、士兵精神狀態監測、遠程教育和智能多媒體系統的應用等等。最初的情感識別是通過面部表情、語音語調、身體姿態等顯著的外部特征來進行，但是這類信號很容易被人掩飾或者偽裝，隨著科技的發展，腦電、心電、肌電、血壓等生理信號已被用于情感識別中。

在腦電情感識別的過程中，特征提取是非常重要的一個環節。目前用于腦電情感識別的特征分析方法主要有時域分析法、頻域分析法、時頻分析法和基于非線性與混沌理論的分析方法。頻域分析法使用的是傅里葉變換，但傅立葉變換并不適用于腦電這種非線性非平穩的信號；在時頻分析方法中，短時傅里葉變換很難找到一個合適的窗來同時得到很好的時間分辨率與頻率分辨率。雖然小波包變換克服了小波變換視頻分解的缺陷，可以用于得到信息更豐富的腦電特征，在情感腦電信號分析中應用較多。但是，小波包變換需要選定小波基，無法實現對不同信號的自適應性。綜上所述，現有的特征提取方法并不能同時處理情感腦電信號的非線性和非平穩性問題，分類精度及準確率較低。

發明內容

發明是為了解決現有技術所存在的上述技術問題，提供一種可同時處理情感腦電信號的非線性和非平穩性、提高分類精度、準確率及執行速度的基于組合特征提取的腦電情感識別方法。

本發明的技術解決方案是：一種基于組合特征提取的腦電情感識別方法，其特征在于按照如下步驟進行：

a. 通道選擇

計算腦電情感數據各通道的功率譜密度估計值，選擇功率譜密度估計值較高的通道為特征提取通道；

b. 基于經驗模態分解的腦電情感特征提取

b.1 針對特征提取通道的每個腦電情感數據，依據式進行經驗模態分解，式中是殘余分量，是第個固有模態模態函數：

b.1.1 找出腦電情感數據所有的極大值點，并用三次樣條插值函數擬合形成原數據的上包絡線；

b.1.2 找出腦電情感數據對應的所有極小值點，并將所有的極小值點通過三次樣條插值函數擬合形成原數據的下包絡線；

b.1.3 計算上包絡線和下包絡線的均值，；

b.1.4 抽取新的數據，判斷是否是一個固有模態函數；

如果是，將其標記為一個固有模態函數，并用代替原始的，否則用代替原始的；重復上述過程，直到找到所有的固有模態函數；

b.2 計算所得到固有模態函數的方差貢獻率，取出累計方差貢獻率到達預設閾值的前個固有模態函數；

c. 計算個固有模態函數的樣本熵

將每個固有模態函數按照不同的時間窗劃分成個段，假定每個段包含個數據；

基于個數據，構造一組維空間的矢量，其中;

定義兩個矢量與之間的距離為，所述；

然后，給定相似容限，對于每個，統計出的數目與矢量總數的比值，記作，；并定義；

此序列的樣本熵值可表示為：。

d. 基于樣本熵值構造特征向量集

將個樣本熵值構成一個特征向量，形成一個特征向量集；

e. 對腦電情感進行識別

依據腦電情感數據在喚醒和效價維度上的值，將腦電情感數據劃分為多個類別，借助支持向量機進行腦電情感的識別。

本發明根據各腦電情感數據通道的功率譜密度估計值，選擇功率譜密度估計值較高的道為特征提取通道；基于經驗模態分解進行腦電情感特征提取，經驗模態分解后得到一系列固有模態函數，計算它們的方差貢獻率，并選取累計方差貢獻率到達預設閾值的前k個固有模態函數；計算這個固有模態函數的樣本熵；基于樣本熵值構造特征向量，從而形成一個特征向量集；將腦電情感數據數據劃分為多個類別，借助支持向量機進行腦電情感的識別。本發明可同時處理情感腦電信號的非線性和非平穩性、提高了分類精度、準確率及執行速度。

附圖說明

圖1是本發明實施例的流程圖。

圖2是本發明實施例中，任務1在不同段長情況下的分類精度示意圖。

圖3是本發明實施例中，任務2在不同段長情況下的分類精度示意圖。