一种基于VMD和WPD的脑电信号情感识别方法及系统技术方案

本公开公开了一种基于VMD和WPD的脑电信号情感识别方法，包括对获取的脑电信号数据进行变分模态分解，得到变分模态分量；对变分模态分量进行小波包分解与重构，得到在脑电信号频段中β和γ频带下的重构信号；分别计算重构信号的小波包熵、改进的多尺度样本熵、分形维数和一阶差分值，组成对脑电信号情感识别的特征向量；将特征向量送入分类器中进行情感状态的分类识别。获得更好的时频分辨率，更能捕捉EEG信号的非线性特征，同时能够得到与情感更为相关的EEG频带，为情感识别提供良好的EEG特征基础，进而取得更好的情感识别效果。

An emotion recognition method and system of EEG signal based on VMD and WPD

【技术实现步骤摘要】
一种基于VMD和WPD的脑电信号情感识别方法及系统
本公开涉及情感识别
，特别是涉及一种基于VMD和WPD的脑电信号情感识别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。近年来，基于脑电(Electroencephalogram，EEG)信号的情感识别的研究已经颇具规模，人们对基于EEG的情感识别的发展热度不断提升，利用先进的特征提取方法，能够实现人机之间的情感互动，逐步达到信息化。因此，基于EEG的情感识别应运而生，即利用EEG进行情感识别进而实现在线疲劳监测，远程教育和辅助医生进行医疗诊断等。中国脑计划启动在即，主要研究内容为深化脑健康相关的基础研究，建立标准统一的脑科学研究数据平台，开展脑科学新技术、新方法研究。情感识别的研究目标之一是通过各种不同的方法来找到适合EEG情感识别的特征，然后优化模型以提高分类方法的准确率；另一目标就是找出与情感活动最相关的EEG频段和脑区，为基于EEG的研究提供良好的EEG特征。在实现本公开的过程中，专利技术人发现现有技术中存在本文档来自技高网...

【技术保护点】
1.一种基于VMD和WPD的脑电信号情感识别方法，其特征在于，包括：/n对获取的脑电信号数据进行变分模态分解，得到变分模态分量；/n对变分模态分量进行小波包分解与重构，得到在脑电信号频段中β和γ频带下的重构信号；/n分别计算重构信号的小波包熵、改进的多尺度样本熵、分形维数和一阶差分值，组成对脑电信号情感识别的特征向量；/n将特征向量送入分类器中进行情感状态的分类识别。/n

【技术特征摘要】
1.一种基于VMD和WPD的脑电信号情感识别方法，其特征在于，包括：
对获取的脑电信号数据进行变分模态分解，得到变分模态分量；
对变分模态分量进行小波包分解与重构，得到在脑电信号频段中β和γ频带下的重构信号；
分别计算重构信号的小波包熵、改进的多尺度样本熵、分形维数和一阶差分值，组成对脑电信号情感识别的特征向量；
将特征向量送入分类器中进行情感状态的分类识别。


2.如权利要求1所述的一种基于VMD和WPD的脑电信号情感识别方法，其特征在于，所述小波包分解与重构包括：
初始化分解层数i和平移参数m，计算变分模态分量的小波包函数，根据小波包函数计算其在第i层第m个位置的小波包系数；
根据小波包系数对变分模态分量进行重构，得到在脑电信号频段中β和γ频带下的重构信号。


3.如权利要求1所述的一种基于VMD和WPD的脑电信号情感识别方法，其特征在于，所述小波包熵的计算过程包括：
对脑电信号进行i层小波包分解，得到2i个小波节点；
对第i层节点小波包系数进行重构，得到各节点的重构信号Si,m，其中m＝1,2,…,2i，
计算Si,m对应的能量Ei,m和总能量E，



其中，Si,m(t)是Si,m的第t个数据点，t＝1,2,…,T，T为变分模态分量的个数；
对Ei,m进行归一化，即：
Pi,m＝Ei,m/E，
计算Si,m对应的小波熵Hi,m,即：
Hi,m＝-Pi,mlogPi,m。


4.如权利要求1所述的一种基于VMD和WPD的脑电信号情感识别方法，其特征在于，所述改进的多尺度样本熵的计算过程包括：
计算以延迟时间τ为尺度因子的移动平均时间序列zτ的样本熵，即：
MMSE＝SampleEn(zτ,m,δ＝τ,r)，
其中，SampleEn为样本熵的计算函数，m＝1,2,…,2i，δ是延迟时间。...

【专利技术属性】
技术研发人员：郑向伟，张敏，胡斌，张宇昂，尹永强，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37