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以下技术问题：近年来，经验模态分解(EmpiricalModeDecomposition，EMD)被广泛地应用到了脑电信号的特征提取中，但EMD存在很多的局限性，如容易出现模态混叠、对噪声的鲁棒性差以及存在未知的震荡等，从而影响分解的效果。在认知神经科学的研究中发现，并非所有收集到的频率都对情感识别问题是有效的，脑电信号的不同频带和不同的大脑活动密切相关。对于脑电频带的选择，研究者们大多都是基于前人的经验。在频带提取阶段，离散小波变换(DiscreteWaveletTransform，DWT)对高频信号的分解不够精细，容易丢失情感信息。研究发现时频分析能够同时表示信号在时域和频域的瞬时变化，混合的时频分析方法可以获得更好的情感识别效果。Kabir和Bhuiyan的研究表明，EMD-DWT等混合分解方法可以有效的分析诸如心电(Electrocardiogram，ECG)、EEG等非线性、非平稳的生理信号。Rahman等人发现VMD-DWT比只使用变分模态分解(VariationalModeDecomposition，VMD)和DWT方法可以获得更大的时频分辨率，更有可能能够捕捉到反映EEG信号的非线性特征。这些混合方法虽然都应用到了EEG信号的处理上，但没有应用到情感识别领域的特征提取中，因此，非常必要提出一种新的基于混合时频分析的特征提取方法具有重要意义。
技术实现思路
为了解决上述问题，本公开提出了一种基于VMD和WPD的脑电信号情感识别方法及系统，变分模态分解VMD和小波包分解(WaveletPacketDecomposition，WPD)的多维特征提取方法能够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。为了实现上述目的，本公开采用如下技术方案：第一方面，本公开提供一种基于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。作为可能的一些实现方式，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。作为可能的一些实现方式，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。作为可能的一些实现方式，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。作为可能的一些实现方式，所述分形维数计算过程包括：将脑电信号S构造为一个新的脑电信号的定义为：计算l集合的值，即：计算分形维数，即：其中，n为初始时间点，n＝1,2,…,T，T为变分模态分量的个数，l是时间间隔，[·]代表向下取整；i为分解的层数；<L(l)>为Ln(l)的均值。作为可能的一些实现方式，所述一阶差分值计算过程包括：含有T个数据点的脑电信号，一阶差分定义为：其中，T1表示脑电信号的采样点数。第二方面，本公开提供一种基于VMD和WPD的脑电信号情感识别系统，包括：变分模态分解模块，被配置为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；重构模块，被配置为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；特征向量组成模块，被配置为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；分类识别模块，被配置为将特征向量送入分类器中进行情感状态的分类识别。第三方面，本公开提供一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种基于VMD和WPD的脑电信号情感识别方法所述的步骤。第四方面，本公开提供一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种基于VMD和WPD的脑电信号情感识别方法所述的步骤。与现有技术相比，本公开的有益效果为：本公开方法由五部分组成：数据预处理部分、变分模态分解部分、小波包分解与重构部分、特征向量的计算部分和分类器分类与预测部分。通过分析发现，并不是所有的EEG频带都适合情感识别的研究，本公开提取与情感最为相关的EEG频带，并将其重构为一个新的情感频带。针对单独的时频分析方法的情感识别效果不如集成的时频分析方法的效果好，集成的时频分析方法可以获得更大的时频分辨率和更能捕捉EEG信号的非线性特征，本公开将VMD和WPD方法进行集成用于EEG的情感识别。V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