【技术实现步骤摘要】
基于EEG脑电信号情感识别方法及其系统
[0001]本专利技术涉及脑电信号处理
,具体涉及视频刺激下脑电信号特征提取、机器学习,特别是涉及一种基于EEG信号的情感识别方法及其系统。
技术介绍
[0002]情绪是在外界条件下复杂的生理物理变化过程,是将感觉、行为、思想等综合在一起的生理和心理状态。情感智能指的是人们识别、理解和应用情绪指导行为的能力。目前主流的两种情感识别的信号研究方式中,基于生物情感行为的语音和面部表情识别虽然也可以提供情感识别的研究,但由于其可以通过人为伪装控制,难以保证能够取得反映真实情绪的信号,从而无法准确的识别出真实的情绪状态。脑电图因为其无创、快捷、廉价等优点,使其成为研究大脑对情绪刺激的反应的首选方法。随着干电极、信号处理以及脑
‑
机接口在各种应用的场景的迅速发展,越来越多的研究者将注意力集中在基于脑电图的情绪识别上。虽然各种研究报告所提出的方法从EEG中提取的特征类型和所使用的分类器上有所不同,但由于使用不同的数据集,很难对报告的结果进行比较。
[0003]通过学习探索情感识别国内外相关研究的现状与应用趋势,并在此基础上,围绕情感识别的信号问题进行了对比分析,找到了脑电图作为情感识别研究信号的优势,并探索现阶段研究成果中缺乏系统性比较基于同一数据集的同一数据分类方式的情感识别问题,并能直观的反映出识别情况。
[0004]因此亟需提供一种新型的基于EEG信号的情感识别方法及其系统来解决上述问题。
技术实现思路
[0005]本专利技术所 ...
【技术保护点】
【技术特征摘要】
1.一种基于EEG脑电信号情感识别方法,其特征在于,包括以下步骤:S1:原始数据输入:采用SEED数据库中的带有可识别的情感标签的脑电信号数据集,作为原始EEG信号;S2:数据预处理:对步骤S1截取得到的EEG数据进行预处理操作,得到预处理后的EEG信号;S3:特征分析:对预处理后的EEG信号进行时域和频域的特征分析,利用傅里叶变换获得EEG信号的频谱和功率谱;S4:特征处理:对步骤S3得到的EEG信号按照相同的时间长度截取单次实验样本,并分别对其提取微分不对称特征、功率谱密度特征、微分熵特征、有理非对称性、非对称性以及因果差异特征六种特征;S5:学习分类:将提取出来的特征分别分为训练集和测试集,训练集及对应的情感状态标签放入分类器中进行学习分类得到训练好的模型,利用该模型对测试集的情感状态标签进行预测,得到情感识别的识别率,并对得到的结果进行对比分析。2.根据权利要求1所述的基于EEG脑电信号情感识别方法,其特征在于,在步骤S2中,数据预处理包括下采样、滤波处理EEG信号,获得在0.5
‑
50hz之间5个不同频带的信号数据。3.根据权利要求1所述的基于EEG脑电信号情感识别方法,其特征在于,步骤S4的具体步骤包括:使用长度为1s的窗长对预处理之后的数据划分单次实验样本,并分别提取功率谱密度特征PSD、微分熵特征DE、微分不对称特征DASM、有理非对称性RASM、非对称性ASM、因果差异特征DCAU,使用LDS进行特征平滑处理:DE=log2(PSD)DASM=DE(X
left
)
‑
DE(X
right
)RASM=DE(X
left
)/DE(X
right
)ASM=[DASM RASM]DCAU=DE(X
frontal
)/DE(X
posterior
)式中,f(x)是指频域信号上的第x个点对应的信号数值,x表示样本点,b表示频带的结束点位置,a表示频带的开始点位置,X
left
表示左半头部对应的电极,X
right
表示右半头部对应的电极,其中X
frontal
表示前半头部对应的电极,X
posterior
是后头部对应的电极,其中电极两半部分是对称的。4.根据权利要求1所述的基于EEG脑电信号情感识别方法,其特征在于,步骤S5的具体步骤包括:将提取出来的特征通过9:6的方式划分训练和测试数据,选择每个被试者的9组数据作为训练数据对模型进行训练,用剩余6组数据对模型进行测试,再分别使用SVM分类器和KNN分类器对提取到的特征进行学习分类;输入分类器的相关数据为:I
train
=[I
t1
,I
t2
,Λ,I
tm
],I
...
【专利技术属性】
技术研发人员:吕钊,董维怡,闫纪程,靳子豪,范存航,汪锦勤,邢梦霞,滕维,肖迪,杨小可,
申请(专利权)人:安徽大学,
类型:发明
国别省市:
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。