CN107252317A - 一种基于脑电信号的情绪识别方法 - Google Patents

一种基于脑电信号的情绪识别方法 Download PDF

Info

Publication number
CN107252317A
CN107252317A CN201710454993.3A CN201710454993A CN107252317A CN 107252317 A CN107252317 A CN 107252317A CN 201710454993 A CN201710454993 A CN 201710454993A CN 107252317 A CN107252317 A CN 107252317A
Authority
CN
China
Prior art keywords
eeg signals
eeg
emotion identification
classification
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710454993.3A
Other languages
English (en)
Inventor
韦琦
金子敦
马群
张付浩
朱莹莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201710454993.3A priority Critical patent/CN107252317A/zh
Publication of CN107252317A publication Critical patent/CN107252317A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Psychology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Developmental Disabilities (AREA)
  • Social Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Hospice & Palliative Care (AREA)
  • Educational Technology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种基于脑电信号的情绪识别方法，包括：步骤1、脑电信号的采集：采用多通道脑电采集设备采集被试脑电信号；步骤2、脑电信号的预处理：对步骤1所得的脑电信号进行预处理，以减少伪迹干扰，提高最终分类识别率；步骤3、特征提取与选择；步骤4、情绪模式的学习和分类。本发明针对基于EEG的情绪识别技术在稳定性、准确性和实用性方面的要求，对基于EEG进行情绪识别中的伪迹自动去除方法、特征选择方法以及利用fMRI辅助的EEG通道选择方法等问题进行了研究，得到较好的情绪分类识别效果。

Description

一种基于脑电信号的情绪识别方法
技术领域：
本发明属于生物特征识别领域的脑电信号特征分类，具体涉及一种基于脑电信号的情绪识别方法。
背景技术：
情绪是人的感觉、思想和行为的综合状态，它既包括人们由于个人经历对外界或自身剌激的心理反应，也包括随之产生的生理反应。情绪在人们的日常生活沟通交流中至关重要。脑机接口领域的情绪检测可以应用在多个领域，如：娱乐、教育、卫生保健，甚至市场营销领域。之前对于情绪的研究通常是使用人们的面部表情、声音和肢体语言等外在特征。虽然这些特征容易获取，但是也容易被伪装，尤其是当人们不想别人知道他们的内心想法时。所以，基于脑电信号的情绪识别引起更多关注。
发明内容：
本发明的目的是针对现有技术的不足，提供了一种基于脑电信号的情绪识别方法，通过基于EEG的情绪识别技术在稳定性、准确性和实用性方面的要求，对基于EEG进行情绪识别中的伪迹自动去除方法、特征选择方法以及利用f MRI辅助的EEG通道选择方法等问题进行了研究。
本发明采用的技术方案在于：一种基于脑电信号的情绪识别方法，包括如下步骤：
步骤1、脑电信号的采集：采用多通道脑电采集设备采集被试脑电信号；
步骤2、脑电信号的预处理：对步骤1所得的脑电信号进行预处理，以减少伪迹干扰，提高最终分类识别率；
步骤3、特征提取与选择；
步骤4、情绪模式的学习和分类。
优选地，步骤2所述的脑电信号的预处理，减少伪迹干扰的方法为基于先验信息的脑电伪迹在线自动去除方法。
优选地，步骤3所述的特征提取方法采用的是过滤式(Filter)算法，所述的特征选择方法采用的是fMRI通道选择方法。
优选地，步骤4所述的情绪模式的学习和分类主要可分为无监督的学习方法和有监督的学习方法两大类。
本发明的有益效果是：本发明提供了一种基于脑电信号的情绪分类方法，该方法对脑电数据进行特征提取时，与以往不同的是，针对基于EEG的情绪识别技术在稳定性、准确性和实用性方面的要求，对基于EEG进行情绪识别中的伪迹自动去除方法、特征选择方法以及利用fMRI辅助的EEG通道选择方法等问题进行了研究，得到较好的情绪分类识别效果。
具体实施方式：
步骤1、脑电信号的采集：采用多通道脑电采集设备采集被试脑电信号。
步骤2、脑电信号的预处理，对步骤1所得的脑电信号进行预处理，以减少伪迹干扰，提高最终分类识别率。所述的脑电信号的预处理，减少伪迹干扰的方法为基于先验信息的脑电伪迹在线自动去除方法，该方法通过增加少量时间的特异性伪迹先验信息在线采集部分，来克服伪迹先验信息与单次采集数据不匹配的问题。再利用结合小波分析的独立成分分析方法(WICA)进行伪迹成分分离，基于相关性判别分析实现伪迹成分的自动识别和去除，达到了仅利用少量伪迹先验信息便可有效分离和去除相应伪迹成分的目的。主要包括伪迹先验信息的在线采集和基于WICA和相关性判别的伪迹自动去除两个部分。
步骤3、特征提取与选择。所述的特征提取方法采用过滤式(Filter)算法，其使用的评价准则共有四种：距离度量、信息度量、依赖度度量和一致性度量。下面分别对两种经典算法：以距离为度量的ReliefF算法和以信息为度量的FCBF算法进行重点介绍。
Relief算法是根据特征对距离相近样本的区分能力来计算相关性的。首先随机从训练集D中取出一个样本R，然后在与R同类的样本中找出最近邻的样本H，称之为Near Hit，在与R不同类的样本中找出最近邻的样本M，称之为Near Miss，然后根据如下规则来对每个特征的权重进行更新：如果R和H在某个特征上的距离小于R和M上的距离，那么说明该特征对于区分最近邻样本是否为同一类是有益的，则增加此特征的权重；相反，如果R和H在某个特征上的距离大于R和M上的距离，那么说明该特征对于区分最近邻样本是否为同一类起到了负面作用，则降低此特征的权重。重复以上过程m次，最终可以求出每个特征的平均权重。权重越大的特征对于正确分类的贡献就越大。Relief算法的运行效率与原始特征个数N和样本的抽样次数m有关。
FCBF是基于互相关性度量的一种特征提取算法。该算法的主要思想是，计算出所定义的C-相关(表示特征和类别间的相互关系)和F-相关(表示特征之间的相互关系)，然后去除掉C-相关值小于所设定阈值的特征，再对剩余的特征进行冗余分析。
所述选取采用的是fMRI通道选择方法。利用f MRI进行大脑功能研究，主要有静息态脑功能研究和任务相关脑功能研究两个方面。其中，任务相关的脑功能研究是通过精心设计实验任务，获得不同任务刺激条件下大脑BOLD响应信号，最终通过统计分析或者模式学习的方法来研究脑功能活动和不同任务刺激条件间的关系。
步骤4、情绪模式的学习和分类。所述的情绪模式的学习和分类主要可分为无监督的学习方法和有监督的学习方法两大类。
以上所述，仅为本发明较佳的具体实施方式，这些具体实施方式都是基于本发明整体构思下的不同实现方式，而且本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种基于脑电信号的情绪识别方法，其特征在于，包括如下步骤：
步骤1、脑电信号的采集：采用多通道脑电采集设备采集被试脑电信号；
步骤2、脑电信号的预处理：对步骤1所得的脑电信号进行预处理，以减少伪迹干扰，提高最终分类识别率；
步骤3、特征提取与选择；
步骤4、情绪模式的学习和分类。
2.根据权利要求1所述的一种基于脑电信号的情绪识别方法，其特征在于，步骤2所述的脑电信号的预处理，减少伪迹干扰的方法为基于先验信息的脑电伪迹在线自动去除方法。
3.根据权利要求1所述的一种基于脑电信号的情绪识别方法，其特征在于，步骤3所述的特征提取方法采用的是过滤式算法，所述的特征选择方法采用的是fMRI通道选择方法。
4.根据权利要求1所述的一种基于脑电信号的情绪识别方法，其特征在于，步骤4所述的情绪模式的学习和分类主要可分为无监督的学习方法和有监督的学习方法两大类。
CN201710454993.3A 2017-06-15 2017-06-15 一种基于脑电信号的情绪识别方法 Pending CN107252317A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710454993.3A CN107252317A (zh) 2017-06-15 2017-06-15 一种基于脑电信号的情绪识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710454993.3A CN107252317A (zh) 2017-06-15 2017-06-15 一种基于脑电信号的情绪识别方法

Publications (1)

Publication Number Publication Date
CN107252317A true CN107252317A (zh) 2017-10-17

Family

ID=60023192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710454993.3A Pending CN107252317A (zh) 2017-06-15 2017-06-15 一种基于脑电信号的情绪识别方法

Country Status (1)

Country Link
CN (1) CN107252317A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109793528A (zh) * 2019-01-28 2019-05-24 华南理工大学 一种基于动态脑功能网络的情绪分类方法
CN110070105A (zh) * 2019-03-25 2019-07-30 中国科学院自动化研究所 基于元学习实例快速筛选的脑电情绪识别方法、系统
CN111528866A (zh) * 2020-04-30 2020-08-14 北京脑陆科技有限公司 一种基于LightGBM模型的EEG信号情绪识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715911A (zh) * 2012-06-15 2012-10-10 天津大学 基于脑电特征的情绪状态识别方法
CN105956546A (zh) * 2016-04-28 2016-09-21 杭州电子科技大学 一种基于脑电信号的情绪识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715911A (zh) * 2012-06-15 2012-10-10 天津大学 基于脑电特征的情绪状态识别方法
CN105956546A (zh) * 2016-04-28 2016-09-21 杭州电子科技大学 一种基于脑电信号的情绪识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张弛: "基于脑电信号的情绪识别方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
聂聃等: "基于脑电的情绪识别研究综述", 《中国生物医学工程学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109793528A (zh) * 2019-01-28 2019-05-24 华南理工大学 一种基于动态脑功能网络的情绪分类方法
CN110070105A (zh) * 2019-03-25 2019-07-30 中国科学院自动化研究所 基于元学习实例快速筛选的脑电情绪识别方法、系统
CN111528866A (zh) * 2020-04-30 2020-08-14 北京脑陆科技有限公司 一种基于LightGBM模型的EEG信号情绪识别方法

Similar Documents

Publication Publication Date Title
CN110811609B (zh) 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置
WO2020151075A1 (zh) 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法
CN106886792B (zh) 一种基于分层机制构建多分类器融合模型的脑电情感识别方法
Krusienski et al. Toward enhanced P300 speller performance
CN102715911B (zh) 基于脑电特征的情绪状态识别方法
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
CN110432898A (zh) 一种基于非线性动力学特征的癫痫发作脑电信号分类系统
CN110070105B (zh) 基于元学习实例快速筛选的脑电情绪识别方法、系统
CN108742517A (zh) 一种基于Stacking单导联脑电睡眠自动分期方法
CN105877766A (zh) 一种基于多生理信号融合的精神状态检测系统及方法
CN110353673B (zh) 一种基于标准互信息的脑电通道选择方法
CN106108894A (zh) 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法
CN112656427A (zh) 一种基于维度模型的脑电信号情绪识别方法
CN108968915A (zh) 基于熵特征及支持向量机的睡眠状态分类方法及系统
CN108596043A (zh) 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法
CN104970773A (zh) 一种基于双重特征筛选的自动睡眠分期方法
CN105956624A (zh) 基于空时频优化特征稀疏表示的运动想象脑电分类方法
CN107066514A (zh) 老年人的情绪识别方法和系统
CN108256579A (zh) 一种基于先验知识的多模态民族认同感量化测量方法
CN111091074A (zh) 最优区域共空间模式的运动想象脑电信号分类方法
CN107252317A (zh) 一种基于脑电信号的情绪识别方法
Zhu et al. Cognitive load during multitasking can be accurately assessed based on single channel electroencephalography using graph methods
CN108836322B (zh) 一种裸眼3d显示视觉诱导晕动症检测方法
Shen et al. An accurate sleep stages classification method based on state space model
CN113349780A (zh) 一种情绪设计对在线学习认知负荷影响的评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171017