CN106803095A - 基于组合特征提取的脑电情感识别方法 - Google Patents

Abstract

本发明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。

Description

基于组合特征提取的脑电情感识别方法

技术领域

本发明涉及数据挖掘领域，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。

背景技术

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。

发明内容

发明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。

本发明的技术解决方案是：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。

本发明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。本发明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是本发明实施例的流程图。

图2是本发明实施例中，任务1在不同段长情况下的分类精度示意图。

图3是本发明实施例中，任务2在不同段长情况下的分类精度示意图。

图4是本发明实施例中，任务3在不同段长情况下的分类精度示意图。

图5是本发明实施例中，任务4在不同段长情况下的分类精度示意图。

图6是本发明实施例中，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：

本发明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，e _avg(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。

本发明实施例的效果分析：

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。

本发明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。

本发明实施例仅对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。

本发明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的划分为低，而5-9的评分划分为高，因此，在该两维度下，样本被划分为4类：高唤醒度高效价(HAHV)，高唤醒度低效价(HALV)，低唤醒度高效价(LAHV)，低唤醒度低效价(LALV)。在此基础上，本发明实施例构造了4个二分类问题，如表1所示。

表1 二分类任务描述

本发明实施例考虑了不同时间窗下所划分的不同段长情况下的情感分类精度。在每一个任务中，分别考虑了4个不同段长的情况：(a)每一段是1152个点；(b)每一段是384个点；(c)每一段是192个点；(d)每一段是128个点。分类器选择支持向量机，训练集与测试集比例是4:1，实验采用十折交叉验证求取平均值。具体结果如图2-图5所示。

从图2-图5可以清楚地看到，分类精度随着N的减小而逐渐增加。四种分类任务在和的组合中均获得了良好的分类结果，表明样本熵的参数组合适合于DEAP数据库的情感识别。

图6还给出了不同段长情况下的4类任务的平均分类精度。本发明实施例只计算不同长度的平均精度，取值为0.16〜0.20。显然，本发明实施例所提出的方法的平均精度的性能随着段长N的减少而显着提高，特别是在LAHV / LALV，LALV / HALV和HAHV / HALV任务的情况下。当分段长度为128时，分类性能最好，8个平均分类精度均在90％以上。总的来说，在和的情况下，4个二分类任务都取得了不错的分类效果。

本发明实施例与其他同样使用DEAP数据库的方法进行了比较。具体结果如表2所示。在这些比较方法中，Mohammadi等人采用DWT提取了相应的脑电信号特征进行情感识别，在其实验中使用五对通道（F3-F4，F7-F8，FC1-FC2，FC5-FC6，FP1-FP2），时间窗口分别设置为2秒和4秒，情感分类包含高/低效价和高/低唤醒度。Jie等人使用Kolmogorov-Smirnov（K-S）测试选取了几个通道，并计算了相应的样本熵值，并用支持向量机进行分类。在其实验过程中，对于HAHV/HALV分类任务，选择通道F3，CP5，FP2，FZ和FC2，对于LALV/HALV分类任务，则选择通道FP1，T7和AF4，该实验采用三折交叉验证。为了与Jie等人的方法进行比较，本发明列出了在, 和的情况下的结果，这些参数与其对比论文中的参数相同。

表 2. 不同方法下的分类精度

从表2中可以发现，本发明实施例明显优于Mohammadi等人和Jie等人的分类精度，比其平均分类精度大约高7.5％和14％。此外，本发明实施例使用了2个通道的数据提取特征，而Mohammadi等人使用10个通道。Jie等人使用5（和3）通道获得了最佳的分类精度。

最后，本发明实施例对多类分类问题的性能进行了验证。实验中包含了4个类别的数据，即HAHV，LAHV，LALV和HALV。表3示出了在段长的情况下的分类结果。从表3中可以看出，在和的情况下出现了最佳的分类精度。当值小于0.15时，性能非常差，与以前的研究结果相一致，而当，从0.15到0.20变化时，本发明实施例获得了大约90％的分类精度。

表3. 多类分类问题的实验结果

综上，本发明能够有效的提高脑电情感数据的分类精度。

Claims (1)

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。