基于组合特征提取的脑电情感识别方法技术

技术编号:15572009 阅读:143 留言:0更新日期:2017-06-10 10:09
本发明专利技术公开一种基于组合特征提取的脑电情感识别方法,根据各脑电情感数据通道的功率谱密度估计值,选择功率谱密度估计值较高的道为特征提取通道;基于经验模态分解进行脑电情感特征提取,经验模态分解后得到一系列固有模态函数,计算它们的方差贡献率,并选取累计方差贡献率到达预设阈值的前k个固有模态函数;计算这k个固有模态函数的样本熵;基于样本熵值构造特征向量,从而形成一个特征向量集;将脑电情感数据数据划分为多个类别,借助支持向量机进行脑电情感的识别。本发明专利技术实施考虑脑电情感数据集中数据的非线性和非平稳性特性,保证了该方法的分类精度、准确率和执行速度。

A method of EEG emotion recognition based on combination feature extraction

The invention discloses a combination of EEG emotion recognition method based on feature extraction, according to the power of each emotional EEG data channel spectral density estimation value, select the power spectral density estimation value of higher extraction channel characteristics; EEG Emotion Feature Extraction Based on empirical mode decomposition, EMD is obtained after a series of natural the modal function calculates the variance of their contribution rate, and select the cumulative variance contribution rate before the arrival of K intrinsic mode function threshold; sample entropy calculation of the K intrinsic mode function; to construct sample amount based on the characteristics of entropy, so as to form a feature vector set; the EEG data is divided into a plurality of emotion categories, recognition of EEG emotional support vector machine with. The invention takes into account the nonlinear and non-stationary characteristics of the data gathered in the EEG emotion data, and ensures the classification accuracy, accuracy and execution speed of the method.

【技术实现步骤摘要】

本专利技术涉及数据挖掘领域,具体涉及一种可同时处理情感脑电信号的非线性和非平稳性、提高分类精度、准确率及执行速度的基于组合特征提取的脑电情感识别方法
技术介绍
情感是由外界的感知所引发的一种心理和生理过程,它在人与人的交流过程中扮演着很重要的角色。有效的情感识别可以帮助我们解决很多现实生活中的问题,也是实现人工智能必须要解决的问题。例如:司机驾驶过程中精神状态的检测、顾客对产品满意度的调查、士兵精神状态监测、远程教育和智能多媒体系统的应用等等。最初的情感识别是通过面部表情、语音语调、身体姿态等显著的外部特征来进行,但是这类信号很容易被人掩饰或者伪装,随着科技的发展,脑电、心电、肌电、血压等生理信号已被用于情感识别中。在脑电情感识别的过程中,特征提取是非常重要的一个环节。目前用于脑电情感识别的特征分析方法主要有时域分析法、频域分析法、时频分析法和基于非线性与混沌理论的分析方法。频域分析法使用的是傅里叶变换,但傅立叶变换并不适用于脑电这种非线性非平稳的信号;在时频分析方法中,短时傅里叶变换很难找到一个合适的窗来同时得到很好的时间分辨率与频率分辨率。虽然小波包变换克服了小波变换视频分解的缺陷,可以用于得到信息更丰富的脑电特征,在情感脑电信号分析中应用较多。但是,小波包变换需要选定小波基,无法实现对不同信号的自适应性。综上所述,现有的特征提取方法并不能同时处理情感脑电信号的非线性和非平稳性问题,分类精度及准确率较低。
技术实现思路
专利技术是为了解决现有技术所存在的上述技术问题,提供一种可同时处理情感脑电信号的非线性和非平稳性、提高分类精度、准确率及执行速度的基于组合特征提取的脑电情感识别方法。本专利技术的技术解决方案是:一种基于组合特征提取的脑电情感识别方法,其特征在于按照如下步骤进行:a.通道选择计算脑电情感数据各通道的功率谱密度估计值,选择功率谱密度估计值较高的通道为特征提取通道;b.基于经验模态分解的脑电情感特征提取b.1针对特征提取通道的每个脑电情感数据,依据式进行经验模态分解,式中是残余分量,是第个固有模态模态函数:b.1.1找出脑电情感数据所有的极大值点,并用三次样条插值函数拟合形成原数据的上包络线;b.1.2找出脑电情感数据对应的所有极小值点,并将所有的极小值点通过三次样条插值函数拟合形成原数据的下包络线;b.1.3计算上包络线和下包络线的均值,;b.1.4抽取新的数据,判断是否是一个固有模态函数;如果是,将其标记为一个固有模态函数,并用代替原始的,否则用代替原始的;重复上述过程,直到找到所有的固有模态函数;b.2计算所得到固有模态函数的方差贡献率,取出累计方差贡献率到达预设阈值的前个固有模态函数;c.计算个固有模态函数的样本熵将每个固有模态函数按照不同的时间窗划分成个段,假定每个段包含个数据;基于个数据,构造一组维空间的矢量,其中;定义两个矢量与之间的距离为,所述;然后,给定相似容限,对于每个,统计出的数目与矢量总数的比值,记作,;并定义;此序列的样本熵值可表示为:。d.基于样本熵值构造特征向量集将个样本熵值构成一个特征向量,形成一个特征向量集;e.对脑电情感进行识别依据脑电情感数据在唤醒和效价维度上的值,将脑电情感数据划分为多个类别,借助支持向量机进行脑电情感的识别。本专利技术根据各脑电情感数据通道的功率谱密度估计值,选择功率谱密度估计值较高的道为特征提取通道;基于经验模态分解进行脑电情感特征提取,经验模态分解后得到一系列固有模态函数,计算它们的方差贡献率,并选取累计方差贡献率到达预设阈值的前k个固有模态函数;计算这个固有模态函数的样本熵;基于样本熵值构造特征向量,从而形成一个特征向量集;将脑电情感数据数据划分为多个类别,借助支持向量机进行脑电情感的识别。本专利技术可同时处理情感脑电信号的非线性和非平稳性、提高了分类精度、准确率及执行速度。附图说明图1是本专利技术实施例的流程图。图2是本专利技术实施例中,任务1在不同段长情况下的分类精度示意图。图3是本专利技术实施例中,任务2在不同段长情况下的分类精度示意图。图4是本专利技术实施例中,任务3在不同段长情况下的分类精度示意图。图5是本专利技术实施例中,任务4在不同段长情况下的分类精度示意图。图6是本专利技术实施例中,不同段长情况下的4类任务的平均分类精度。具体实施方式:本专利技术的基于组合特征提取的脑电情感识别方法,如图1所示,按照如下步骤进行:a.通道选择计算各通道的功率谱密度估计值,选择功率谱密度估计值较高的通道为特征提取通道;b.基于经验模态分解的脑电情感特征提取b.1针对特征提取通道的每个脑电情感数据,依据式进行经验模态分解,式中是残余分量,是第个固有模态模态函数:b.1.1找出脑电情感数据所有的极大值点,并用三次样条插值函数拟合形成原数据的上包络线;b.1.2找出脑电情感数据对应的所有极小值点,并将所有的极小值点通过三次样条插值函数拟合形成原数据的下包络线;b.1.3计算上包络线和下包络线的均值,eavg(t)=;b.1.4抽取新的数据,判断是否是一个固有模态函数;如果是,将其标记为一个固有模态函数,并用z(t)−h(t)代替原始的,否则用代替原始的;重复上述过程,直到找到所有的固有模态函数;判断是一个固有模态函数,必须满足以下两个条件:①信号极值点的数量与过零点的数量必须相等,或最多相差一个;②在任一时间点上,由信号极大值定义的上包络和极小值定义的下包络的局部均值为零;b.2计算所得到固有模态函数的方差贡献率,取出累计方差贡献率到达预设阈值的前个固有模态函数;c.计算个固有模态函数的样本熵将每个固有模态函数按照不同的时间窗划分成个段,假定每个段包含个数据;基于个数据,构造一组维空间的矢量,其中;定义两个矢量与之间的距离为,所述;然后,给定相似容限,对于每个,统计出的数目与矢量总数的比值,记作,;并定义;此序列的样本熵值可表示为:。d.基于样本熵值构造特征向量集将个样本熵值构成一个特征向量,形成一个特征向量集;e.对脑电情感进行识别依据脑电情感数据在唤醒和效价维度上的值,将脑电情感数据划分为多个类别,借助支持向量机进行脑电情感的识别。本专利技术实施例的效果分析:准确率、分类精度是重要的评估分类表现的标准,这两个标准同时涵盖了正类和负类的表现性能,因此被广泛用于研究中。分类精度的定义如下:.用,,和分别表示真正类,假负类,正元组数和负元组数。只被分类器正确分类的正元组,只被分类器正确分类的负元组。本专利技术实施例进行情感识别的数据集是DEAP数据集。DEAP数据集是由Koelstra等人构建的一个多模态情感数据库,它包含了32个受试者观看40个时长为1分钟的音乐视频,记录了32个通道的脑电信号,以及8个通道的外围生理信号,采样频率为512Hz。每个受试者观看完一个视频后,都会对视频从唤醒度、效价、喜爱度、熟悉度等四个维度进行评分。本专利技术实施例仅对DEAP数据集中的脑电信号进行处理,数据集中一共包含32×40=1280个数据样本。为提高识别效率,每个样本仅选择了每个视频中间的9秒数据,因此每个样本共512×9=4608个数据点。本专利技术实施例对唤醒度和效价两个维度进行了情感识别。在DEAP数据集中,每个受试者对这两个维度的评分区间为1(低)--9(高)。本实验中,将评分为1-5的本文档来自技高网...
基于组合特征提取的脑电情感识别方法

【技术保护点】
一种基于组合特征提取的脑电情感识别方法,其特征在于按照如下步骤进行:a. 通道选择计算脑电情感数据各通道的功率谱密度估计值,选择功率谱密度估计值较高的通道为特征提取通道;b. 基于经验模态分解的脑电情感特征提取b.1 针对特征提取通道的每个脑电情感数据,依据式进行经验模态分解,式中是残余分量,是第个固有模态模态函数:b.1.1 找出脑电情感数据所有的极大值点,并用三次样条插值函数拟合形成原数据的上包络线;b.1.2 找出脑电情感数据对应的所有极小值点,并将所有的极小值点通过三次样条插值函数拟合形成原数据的下包络线;b.1.3 计算上包络线和下包络线的均值,;b.1.4 抽取新的数据,判断是否是一个固有模态函数;如果是,将其标记为一个固有模态函数,并用代替原始的,否则用代替原始的;重复上述过程,直到找到所有的固有模态函数;b.2 计算所得到固有模态函数的方差贡献率,取出累计方差贡献率到达预设阈值的前个固有模态函数;c. 计算个固有模态函数的样本熵将每个固有模态函数按照不同的时间窗划分成个段,假定每个段包含个数据;基于个数据,构造一组维空间的矢量,其中;定义两个矢量与之间的距离为,所述;然后,给定相似容限,对于每个,统计出的数目与矢量总数的比值,记作,;并定义;此序列的样本熵值可表示为:;d. 基于样本熵值构造特征向量集将个样本熵值构成一个特征向量,形成一个特征向量集;e. 对脑电情感进行识别依据脑电情感数据在唤醒和效价维度上的值,将脑电情感数据划分为多个类别,借助支持向量机进行脑电情感的识别。...

【技术特征摘要】
1.一种基于组合特征提取的脑电情感识别方法,其特征在于按照如下步骤进行:a.通道选择计算脑电情感数据各通道的功率谱密度估计值,选择功率谱密度估计值较高的通道为特征提取通道;b.基于经验模态分解的脑电情感特征提取b.1针对特征提取通道的每个脑电情感数据,依据式进行经验模态分解,式中是残余分量,是第个固有模态模态函数:b.1.1找出脑电情感数据所有的极大值点,并用三次样条插值函数拟合形成原数据的上包络线;b.1.2找出脑电情感数据对应的所有极小值点,并将所有的极小值点通过三次样条插值函数拟合形成原数据的下包络线;b.1.3计算上包络线和下包络线的均值,;b.1.4抽取新的数据,判断是否是一个固有模态函数;如果是,将其标记为一个固有模态函数,并...

【专利技术属性】
技术研发人员:张永吉晓敏
申请(专利权)人:辽宁师范大学
类型:发明
国别省市:辽宁;21

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1