基于脑电非线性特征的情绪状态识别方法技术

本发明专利技术属于情绪状态识别技术。为提供一种更加客观的情绪状态识别方法，为心理疾病的治疗评价提供一个更加客观的评价方法，本发明专利技术采取的技术方案是，基于脑电非线性特征的情绪状态识别方法，包括数据采集与数据预处理、特征提取以及特征分析与分类识别步骤；数据采集与数据预处理是，利用图片对受试者进行情绪诱发，并记录其脑电信号，对采集的原始脑电信号进行预处理，包括改变参考电位、降采样、带通滤波、去除眼电四个步骤；特征提取是指功率谱熵的提取和相关维数提取；将提取的功率谱熵和相关维数两种特征进行特征层融合后，使用SVM或HMM分级区分。本发明专利技术主要应用于情绪状态识别。

【技术实现步骤摘要】

本专利技术属于情绪状态识别技术，涉及一种。
技术介绍
1872年，达尔文在《人类和动物的表情》一书中指出情绪是高级进化阶段的适应工具，从此人们开始了情绪实验与理论的研究。经过100多年，到20世纪后期情绪研究蓬勃发展起来，并与认知、神经科学、脑科学等研究相结合；其研究手段也多种多样，如脑电 (EEG)、功能磁共振成像(fMRI)、功能近红外成像(fOTRI)等。随着社会的发展，各年龄、各领域人们的情绪困扰越来越多、越来越严重，各种与情绪相关的疾病发病率越来越高，如抑郁症、狂躁症、焦虑症、强迫症、情感障碍等。2010年， 据世界卫生组织统计，全球抑郁症发病率约为11 %，全球约有3. 4亿抑郁症患者并且人数在不断增长。当前抑郁症已经成为世界第四大疾病，预计到2020年可能将成为仅次于心脏病的人类第二大疾患，抑郁症将成为21世纪人类的主要杀手。这严重影响了人们的生活质量，同时也为情绪研究的发展提供了强大的动力。情绪研究在国外已广泛发展。1985国际上成立了“国际情绪研究学会”。其发展的进程已经涉及人类社会和人的心理生活的各个方面，从基本理论、方法论和内容，从简单的情绪品种及其作用，情绪与认知关系，到复杂的社会化情绪。IAPS自问世以来，被广泛地运用在有关情绪问题的研究中，比如情绪的生理机制、情绪调节、情绪与注意、记忆等认知活动的关系等。目前，国内外很多课题组在进行基于IAPS的情绪图片视觉诱发的研究，也获得了许多研究成果，这些研究成果按照信号采集方法不同，可以分为情绪体验自我报告法、脑成像技术、生物反馈法以及以上各种方法的结I=I O现有技术中，大多存在技术复杂、识别准确性差等不足。
技术实现思路
本专利技术旨在解决克服现有技术的不足，提供一种更加客观的情绪状态识别方法， 可以为心理疾病(如抑郁症)的治疗评价提供一个更加客观的评价方法。为达到上述目的，本专利技术采取的技术方案是，，包括数据采集与数据预处理、特征提取以及特征分析与分类识别步骤；数据采集与数据预处理是，选择按照愉悦度范围分为八个等级的情绪图片，情绪图片等级越高诱发出的情绪越积极，情绪图片等级越低诱发出的情绪越消极，利用情绪图片对受试者进行情绪诱发，并记录其脑电信号，对采集的原始脑电信号进行预处理，包括改变参考电位、降采样、带通滤波、去除眼电四个步骤；特征提取是指功率谱熵的提取和相关维数提取；将提取的功率谱熵和相关维数两种特征进行特征层融合后，使用SVM或HMM将等级一、等级五、等级八的情绪状态区分开，SVM和HMM分别是Support Vector Machine和Hidden Markov Model的缩写；SVM指支持向量机，HMM指隐马尔科夫模型。功率谱熵的计算方法如下设信号的采样频率为fs，采样点数为N，这样就得到信号的一个离散的时间序列，该离散序列经FFT后得到X(Coi),角频率两= 2,...，|，则功率谱密度为p(oj:) \ IXUu1)卩:，具有N个样本点的一个离散的时间序列信号经过FFT变换后得到Ν/2个有效的功率谱密度值，他们分别是信号频率为力=|xM = l，2,...，|，时的功率密度大小，Af = $为相邻两个功率密度所对应的频率间隔，频率范围为·这就是全频段，将:J..:,:J. $总的功率谱进行归一化得到Pi,即= ，则有Σ iPi = 1，如果把频率为fi至fi+Δ f之间的信号视为一个信息符号，则Pi可以理解为该信号出现的概率，因而这个功率谱就构成一个具有N/2个信息符号的信源，按照信息熵的定义则可计算出功率谱熵为权利要求1.一种，其特征是，包括数据采集与数据预处理、特征提取以及特征分析与分类识别步骤；数据采集与数据预处理是，选择按照愉悦度范围分为八个等级的情绪图片，情绪图片等级越高诱发出的情绪越积极，情绪图片等级越低诱发出的情绪越消极，利用情绪图片对受试者进行情绪诱发，并记录其脑电信号，对采集的原始脑电信号进行预处理，包括改变参考电位、降采样、带通滤波、去除眼电四个步骤；特征提取是指功率谱熵的提取和相关维数提取；将提取的功率谱熵和相关维数两种特征进行特征层融合后，使用SVM或HMM将等级一、 等级五、等级八的情绪状态区分开，SVM和HMM分别是Support Vector Machine和Hidden Markov Model的缩写；SVM指支持向量机，HMM指隐马尔科夫模型。2.如权利要求1所述的方法，其特征是，功率谱熵的计算方法如下设信号的采样频率为fs，采样点数为N，这样就得到信号的一个离散的时间序列，该离散序列经FFT后得到X(Oi),角频率两/ = 1,2,...，|，则功率谱密度为 PUu,) = ^； IX(ω. )|二，具有N个样本点的一个离散的时间序列信号经过FFT变换后得到Ν/2 个有效的功率谱密度值，他们分别是信号频率为力=|xM = l，2,...，*，时的功率密度大小，M = §:为相邻两个功率密度所对应的频率间隔，频率范围为f - +，+，这就是全频段，将…，孩总的功率谱进行归一化得到Pi,即ft = i^，则有Σ iPi = 1，如果把频率为fi至 j·· ‘ >·'··' · . — - 、--fi+Δ f之间的信号视为一个信息符号，则Pi可以理解为该信号出现的概率，因而这个功率谱就构成一个具有N/2个信息符号的信源，按照信息熵的定义则可计算出功率谱熵为H即为功率谱熵；功率谱熵特征的提取根据导联分区将每个区域内的功率谱熵求平均，则一张图片就得到6个特征，然后再将每一等级的图片的功率谱熵求平均，最后再将受试者的数据求平均，得到平均功率谱熵随情绪等级变化图。3.如权利要求1所述的方法，其特征是，相关维数提取是，采用Grassberger和 Procaccia算法，简称G-P算法，其提取、计算过程如下设Ixk :k= 1,2,3,...,N}是采集到的脑电序列，将其嵌入到m维欧式空间Rm中，得到一个向量集J(m)，其元素记为Xn (m，L, J) 一 (Xi + (n-l)j' Xl + (n-l)j+L' *** Xl + (n-l) J+(iii-1)l) Π — 1，2，3，· · · Nm其中，L为时间延迟，J为采样间隔，Nffl是重构向量的维数，其值可由下面的公式计算^ 飞 N — Γ) - (m — 1)1 ..i\ V S- X” / .取J = 1，则有Nm = N-(On-I) X L，从状态空间中的Nm个点中任意选定一个参考点则其余Nm-I个点到\的距离可以定义为!'ι = Λ' ■入‘;)=Σ C (、:... ^L — \；.-. <·￡ )^]ι : J对所有= 1,2,3, -,Nffl)重复这一过程，得到相关积分函数 ι WC i >■ i ——\\ J-J ν 、■. : - ............................................:. / ^ Ij · ...... . Λ-.-、-- ——丄 S ( ι t Hi ....... ‘ — — ？在这里，r是一个变量，它的取值范围为，且式中Heaviside函数为斷)U Λ "οIo Λ" S 0又由于Nm>> 本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：明东，曾红梅，马岚，付兰，綦宏志，万柏坤，
申请(专利权)人：天津大学，
类型：发明
国别省市：