CN107411739A - 基于双树复小波的脑电信号情绪识别特征提取方法 - Google Patents

Abstract

本发明公开了一种基于双树复小波的脑电信号情绪识别研究方法。主要采用了双树复小波变换的分解和重构来计算脑电信号不同波段的相位信息和样本熵值，并把这两种特征作为不同情绪的特征向量输入到SVM分类器中，有效的识别平静，高兴，悲伤三种情绪。结果表明：双树复小波变换可以有效的克服离散小波变换的抗混叠性差，平移敏感性等缺点，提取的特征向量有较好的分类识别结果。这为后续研究脑电信号的情绪识别提供了新的思路。

Description

基于双树复小波的脑电信号情绪识别特征提取方法

技术领域

本发明属于脑电信号处理领域，涉及双树复小波变换的脑电信号特征提取方法。特别涉及到一种基于脑电信号的情绪识别研究方法。

背景技术

情绪是多种感觉，思想和行为综合产生的生理和心理状态。情绪的好坏不同程度上影响着人类的学习，记忆和决策等行为。在日常生活中，情绪无时无刻不在影响着我们的生活。有研究表明，长期负面的情绪会造成工作效率低下，生活没有激情，更有甚者会影响人们的生理机能，降低身体的免疫力。当今社会生活压力如此大的情况下，当发现负面情绪时适当的给与干涉也显得十分有必要。令一方面，如今人工智能的发展非常迅速，在未来世界如何让机器更好的服务人类，这必然要考虑到机器的情绪感知能力。一个没有情绪感知的机器并不能算真正意义上的人工智能。所以对情绪的研究也显得尤为重要。

脑电信号是大脑活动的一种综合反映，之前对于情绪研究更多的是通过人们的面部表情，语言等外在特征。虽然这些特征明显且容易获取，但是却可以被刻意伪装。而脑电信号却不受主观控制的，能够更加真实的反映情绪状态。

本发明采用了一种基于双树复小波重构信号的相位信息和样本熵方法。区别于传统的外在特征如面部表情，语音等分类研究方法。相对与以往采用的分形维数，小波变换，近似熵，功率谱密度等特征进行情绪分类也有明显的不同。

发明内容

本发明目的在于提出了一种基于双树复小波变换的重构信号相位信息和样本熵的脑电信号情绪识别，在识别率方面，该方法相对于常用的小波变换特征提取方法更有优势。能有效的提高脑电信号的情绪识别率。

本发明解决其技术问题所采取的技术方法是：

1.一种基于双树复小波的脑电信号情绪识别研究方法，该方法具体步骤如下：

步骤1).脑电信号采集，采用Neuroscan设备采集原始脑电信号；

步骤2).脑电信号的预处理，对步骤1采集到的脑电信号进行预处理，以减少眼电和肌电的干扰，提高分类识别率。预处理主要包括截取情绪的有效数据，降低采样率，取出基线数据；

步骤3).对预处理后的信号进行双树复小波分解和重构，获得特定频段的脑电信号；

步骤4).重构出β波段的信号，计算其解卷绕之后的相位信息；

步骤5).重构后获得不同频段的信号，求其样本熵平均值；

步骤6).把信号的相位信息和样本熵作为特征向量输入到SVM中进行分类。

所述步骤3)所述的双树复小波变换具体如下：

为了实现双树复小波变换，采用Kingsbury提出的Q-Shift双树滤波器，它是一簇正交离散的滤波器系数，实现变换中的抗混叠现象；设脑电信号s(n)的采样频率为fs，用双树复小波变换将原始信号分为L层，则能得到CAL，CDL， CD(L-1),........CD1等L+1个子带的复系数；将系数重构后得到的信号分量 AL,DL,........D1所对应的频带范围分别为[0,fs/2^L+1],........... [fs/2²,fs/2]；然后选取α，β，θ对应的频率进行重构信号；

双树复小波分解与重构的算法采用了二叉树结构的两路DWT，一树生成变换的实部，一树生成虚部；假设存在两组特殊的用于分解的实数滤波器{gr,hr}和 {gi,hi}，对原始信号s(t)使用这两组滤波器分别进行两个各自独立的小波包分解(双树分解，这里称为R树分解与I树分解)，算法如下：

R树分解

I树分解

式中，cr_l ^j,n与ci_l ^j,n分别是R树与I树在尺度j,节点序号n下的系数，l为平移因子，hr和hi为低通滤波器，gr和gi为高通滤波器。上式中R树的系数cr_l ^j,n理解为复小波分解的实部；I树的系数ci_l ^j,n可以理解为虚部；

设用于重构的滤波器为{sgr,shr}和{sgi,shi}，则重构算法为

R树重构

I树重构

所述步骤4)所述求重构信号解卷绕后的相位信息，具体如下：

(4-1)一个信号的频率响应可以表示为振幅特性和相位特性，就像这样：

H(e^jω)＝|H(e^jw)|e^jθ(ω)

(4-2)所以，振幅特性和相位特性就按下式可以计算出来

计算机用此方法在计算一个系统的相频特性时会用到反正切函数，即在w＝pi 处相位会发生跳变，跳变幅度为2pi,这是相位的卷绕，本文采用了相位的解卷绕原理，使相位在pi出不发生跳变，从而反映相位的真实变化情况。

所述步骤5)所述的求重构信号的样本熵均值，具体如下：

(5-1)设给定一维离散时间序列，构造成一组m维矢量，从X_m(1)到 X_m(N-m+1)，其中：

X_m(i)＝[u_i,u_i+1,u_i+2....u_i+m-1](i＝1～N-m+1)

(5-2)定义任意两个m维向量之间的距离为：

d[X_m(i),X_m(j)]＝max|u_i+k-u_j+k|,0≤k≤m-1；i,j＝1～N-m+1,i≠j

(5-3)给定阈值r，对每个i值，统计d[X(i),X(j)]<r的个数然后计算其与距离总数(N-m)的比值(称为模板匹配数)，记：

其中，SD是一维离散时间序列的标准差；

(5-4)计算：

(5-5)对于m+1点矢量，按以上步骤，可得：

(5-6)理论上此序列的样本熵值为：SampEn(m,r)＝lim{-ln[B^m+1(r)/B^m(r)]}，当序列长度为有限值时，其样本熵估计值为：SampEn(m,r)＝-ln[B^m+1(r)/B^m(r)]

其中参数m是预先选定的模式维数，r是预先选定的相似容限；

m设为2，r设为0.2。

有益效果

与现有技术相比，本发明具有以下优点：

第一：本发明在常用的数据预处理的基础上，引入了消除数据个体差异性策略，用情绪诱发下的脑电信号减去被试者平静状态下的脑电信号，再把差值映射到[0,1]区间，以此来减小数据的个体差异性。

第二：本发明在特征提取方面，引入了双树复小波变换方法，相比于以往常用的小波变换有效的克服离散小波变换的抗混叠性差，平移敏感性等缺点，提取的特征向量有较好的分类识别结果。同时引入了相位信息的解卷绕方法，可以直观的看出不同情绪下信号的相位变化。

附图说明

图1为本发明提出的基于双树复小波变换的脑电信号情绪识别框架图。

图2为高兴情绪下采集到的原始信号和预处理后的波形图。

图3为双树复小波变换后三种情绪下波段的6个通道相位信息平均变换图。

图4为双树复小波变换后三种情绪下的各个通道样本熵平均值。

具体实施方式

以下结合附图，对本发明技术方案进行详细说明，具体实施如下：

图1为脑电信号特征提取流程图，主要有如下几个步骤：

(1)利用双树复小波变换把预处理后的信号分解在不同的频段，抽取出有用的信号进行重构。

(2)采用相位信息和样本熵对重构后不同频段的信号提取特征。

(3)对提取的特征输入到支持向量机中进行不同情绪的识别。

各步骤的详细说明如下：

步骤一，双树复小波进行分解和重构信号

为了实现双树复小波变换，采用Kingsbury提出的Q-Shift双树滤波器，它是一簇正交离散的滤波器系数，实现变换中的抗混叠现象；设脑电信号s(n)的采样频率为fs，用双树复小波变换将原始信号分为L层，则能得到CAL，CDL， CD(L-1),........CD1等L+1个子带的复系数；将系数重构后得到的信号分量 AL,DL,........D1所对应的频带范围分别为[0,fs/2^L+1],........... [fs/2²,fs/2]；然后选取α，β，θ对应的频率进行重构信号；

双树复小波分解与重构的算法采用了二叉树结构的两路DWT，一树生成变换的实部，一树生成虚部。假设存在两组特殊的用于分解的实数滤波器{gr,hr}和 {gi,hi}，对原始信号s(t)使用这两组滤波器分别进行两个各自独立的小波包分解(双树分解，这里称为R树分解与I树分解)，算法如下：

R树分解

I树分解

式中，cr_l ^j,n与ci_l ^j,n分别是R树与I树在尺度j,节点序号n下的系数，l为平移因子，hr和hi为低通滤波器，gr和gi为高通滤波器。上式中R树的系数cr_l ^j,n可以理解为复小波分解的实部；I树的系数ci_l ^j,n可以理解为虚部。

设用于重构的滤波器为{sgr,shr}和{sgi,shi}，则重构算法为

R树重构

I树重构

步骤二，对重构后的信号求其相位信息和样本熵均值作为不同情绪的特征向量

(一)信号解卷绕后的相位信息计算

(1)一个信号的频率响应可以表示为振幅特性和相位特性，就像这样：

H(e^jω)＝|H(e^jw)|e^jθ(ω)

(2)所以，振幅特性和相位特性就按下式可以计算出来

计算机用此方法在计算一个系统的相频特性时会用到反正切函数，即在w＝pi 处相位会发生跳变，跳变幅度为2pi,这是相位的卷绕，本文采用了相位的解卷绕原理，使相位在pi出不发生跳变，从而反映相位的真实变化情况。

(二)重构信号样本熵值的计算

(1)设给定一维离散时间序列，构造成一组m维矢量，从X_m(1)到 X_m(N-m+1)，其中：

X_m(i)＝[u_i,u_i+1,u_i+2....u_i+m-1](i＝1～N-m+1)

(2)定义任意两个m维向量之间的距离为：

d[X_m(i),X_m(j)]＝max|u_i+k-u_j+k|,0≤k≤m-1；i,j＝1～N-m+1,i≠j

(3)给定阈值r，对每个i值，统计d[X(i),X(j)]<r的个数然后计算其与距离总数(N-m)的比值(称为模板匹配数)，记：

其中，SD是一维离散时间序列的标准差；

(4)计算：

(5)对于m+1点矢量，按以上步骤，可得：

(6)理论上此序列的样本熵值为：SampEn(m,r)＝lim{-ln[B^m+1(r)/B^m(r)]}，当序列长度为有限值时，其样本熵估计值为：SampEn(m,r)＝-ln[B^m+1(r)/B^m(r)]

其中参数m是预先选定的模式维数，r是预先选定的相似容限。

本发明中，m设为2，r设为0.2。

图2是对采集到的原始脑电信号预处理后的图形，主要包括手动去除明显的眼电，降低采样频率到125Hz，带通滤波。

图3是重构信号的相位信息具体情况。采样频率是125Hz，经过4层双树复小波变换，可以得到4组(0-4Hz,4-8Hz,8-16Hz,16-31Hz)基于特定频段的复小波系数，分别对应于脑电信号中的θδαβ波段。并对其进行重构获得各个频段的信号。图3可以看出，当人处于安静状态时，大脑中的β波段信号相对稳定，当有情绪产生时β波段的信号有明显的变化，相位增长幅度加快。其中有悲伤或者紧张情绪产生时，相位增幅更为明显。

图4是重构信号的样本熵均值，对每种情绪的6个通道的信号分别进行DTCWT，然后对每个通道的4个波段的重构信号分别求样本熵，再求其均值得到每个通道的重构信号样本熵均值。从平静状态到高兴状态和悲伤状态，样本熵的均值呈现增加的趋势，表明随着人情绪的产生，脑电信号复杂度越来越高，其中悲伤状态脑电信号复杂度高于高兴状态。这也符合脑电信号的情绪特点。

Claims (4)

1.一种基于双树复小波的脑电信号情绪识别特征提取方法，其特征在于，具体步骤如下：

步骤1).脑电信号采集，采用Neuroscan设备采集原始脑电信号；

步骤2).脑电信号的预处理，对步骤1采集到的脑电信号进行预处理，以减少眼电和肌电的干扰，提高分类识别率。预处理主要包括截取情绪的有效数据，降低采样率，去除基线数据；

步骤3).对预处理后的信号进行双树复小波分解和重构，获得特定频段的脑电信号；

步骤4).重构出β波段的信号，计算其解卷绕之后的相位信息；

步骤5).重构后获得不同频段的信号，求其样本熵平均值；

步骤6).把信号的相位信息和样本熵作为特征向量输入到SVM中进行分类。

2.根据权利要求1所述的方法，其特征在于，步骤3)所述的双树复小波变换具体如下：

为了实现双树复小波变换，采用Kingsbury提出的Q-Shift双树滤波器，它是一簇正交离散的滤波器系数，实现变换中的抗混叠现象；设脑电信号s(n)的采样频率为fs，用双树复小波变换将原始信号分为L层，则能得到CAL，CDL，CD(L-1),........CD1等L+1个子带的复系数；将系数重构后得到的信号分量AL,DL,........D1所对应的频带范围分别为[0,fs/2^{L +1}],...........[fs/2²,fs/2]；然后选取α，β，θ对应的频率进行重构信号；

双树复小波分解与重构的算法采用了二叉树结构的两路DWT，一树生成变换的实部，一树生成虚部；假设存在两组特殊的用于分解的实数滤波器{gr,hr}和{gi,hi}，对原始信号s(t)使用这两组滤波器分别进行两个各自独立的小波包分解即双树分解，这里称为R树分解与I树分解，算法如下：

R树分解

I树分解

式中，与分别是R树与I树在尺度j,节点序号n下的系数，l为平移因子，hr和hi为低通滤波器，gr和gi为高通滤波器。上式中R树的系数理解为复小波分解的实部；I树的系数可以理解为虚部；

设用于重构的滤波器为{sgr,shr}和{sgi,shi}，则重构算法为：

R树重构

I树重构

3.根据权利要求1所述的方法，其特征在于，步骤4)所述求重构信号解卷绕后的相位信息，具体如下：

(4-1)一个信号的频率响应可以表示为振幅特性和相位特性，就像这样：

H(e^jω)＝|H(e^jw)|e^jθ(ω)

(4-2)所以，振幅特性和相位特性就按下式可以计算出来

计算机用此方法在计算一个系统的相频特性时会用到反正切函数，即在w＝pi处相位会发生跳变，跳变幅度为2pi,这是相位的卷绕。

4.根据权利要求书1所述的方法，其特征在于，步骤5)具体如下：

(5-1)设给定一维离散时间序列，构造成一组m维矢量，从X_m(1)到X_m(N-m+1)，其中：

X_m(i)＝[u_i,u_i+1,u_i+2....u_i+m-1](i＝1～N-m+1)

(5-2)定义任意两个m维向量之间的距离为：

d[X_m(i),X_m(j)]＝max|u_i+k-u_j+k|,0≤k≤m-1；i,j＝1～N-m+1,i≠j

(5-3)给定阈值r，对每个i值，统计d[X(i),X(j)]<r的个数然后计算其与距离总数(N-m)的比值(称为模板匹配数)，记：

其中，SD是一维离散时间序列的标准差；

(5-4)计算：

(5-5)对于m+1点矢量，按以上步骤，可得：

(5-6)理论上此序列的样本熵值为：SampEn(m,r)＝lim{-ln[B^m+1(r)/B^m(r)]}，当序列长度为有限值时，其样本熵估计值为：SampEn(m,r)＝-ln[B^m+1(r)/B^m(r)]

其中参数m是预先选定的模式维数，r是预先选定的相似容限；m设为2，r设为0.2。