CN108937968B - 基于独立分量分析的情感脑电信号的导联选择方法 - Google Patents
基于独立分量分析的情感脑电信号的导联选择方法 Download PDFInfo
- Publication number
- CN108937968B CN108937968B CN201810565890.9A CN201810565890A CN108937968B CN 108937968 B CN108937968 B CN 108937968B CN 201810565890 A CN201810565890 A CN 201810565890A CN 108937968 B CN108937968 B CN 108937968B
- Authority
- CN
- China
- Prior art keywords
- emotion
- ica
- lead
- matrix
- selecting
- 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.)
- Active
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 144
- 238000012880 independent component analysis Methods 0.000 title claims abstract description 101
- 238000010187 selection method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 59
- 230000002996 emotional effect Effects 0.000 claims description 47
- 238000000926 separation method Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 230000007935 neutral effect Effects 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 238000002156 mixing Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000008909 emotion recognition Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000036624 brainpower Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008918 emotional behaviour Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 101150050759 outI gene Proteins 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000002360 prefrontal effect Effects 0.000 description 1
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于独立分量分析的情感脑电信号的导联选择方法，使用多导联情感脑电信号并对其进行滤波处理，将滤波后的数据使用ICA分析，建立对应不同情感任务背景下的空域滤波器组，然后进行线性投影，获取全导联的情感信号的空域特征参数，然后使用导联选择的方法选择出受试者的最优导联集合。本发明获得了较高的识别正确率，实现了根据不同受试者自动选择情感相关独立分量，相对于提取全通道的独立分量，选取最优导联位置的独立分量不仅能够降低算法的时间复杂度，同时能更准确地描述情感相关独立源的真实情况，同时能够有效抑制与情感信号无关的分量及外部噪声的干扰。
Description
技术领域
本发明涉及脑-机接口技术领域，特别是涉及一种基于独立分量分析的情感脑电信号的导联选择方法。
背景技术
人在进行特定活动时所引发的情感模式在很大程度上能够揭示其情感行为状态，如：积极，中性，消极等，而这种情感模式可以通过对头皮脑电变化情况的跟踪来获取，因此基于脑电信号的情感识别算法的设计与实现已经成为新的研究热点。EEG情感识别是指将EEG信号作为被观测对象，通过对其分析与识别，获取被观测对象的情感类型等信息。在情感识别过程中，情感EEG信号的分析是最为关键的一步，为此，研究者们做出大量的研究。其中，Soleymani提出利用原始EEG信号在theta(4Hz<f<8Hz)、slow alpha(8Hz<f<10Hz)、alpha(8Hz<f<12Hz)、beta(12Hz<f<30Hz)与gamma(30Hz<f)5个频带上的功率谱和除slowsalpha之外4个频带上的左右脑功率谱的不对称性特征进行情感识别，取得了一定的成功，但这类方法主要关注的是情感信号的频域分析，其分析过程仅考虑了信号的频域信息，难以保证情感信号的识别正确率。
现阶段，基于独立分量分析提取情感脑电信号的全导联独立分量进行情感识别的研究已经实现，但是基于多导联脑电信号情感识别的算法复杂度过高，而且有研究发现某些导联的脑电信号与情感过程的关联度很低。Sander等提出不同频带上的功率谱密度与Fp1,T7,CP1,Oz,Fp2,F8,FC6,FC2,Cz,C4,T8,CP6,CP2,PO4的关联度更高，Chatchinarat等发现前额叶和顶叶区域的导联在情感识别的过程中更为重要，然而这些研究忽略了受试者之间的差异性，并且是基于多导联的手动选择。
因此亟需提供一种新型的基于独立分量分析的情感脑电信号的导联选择方法来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种基于独立分量分析的情感脑电信号的导联选择方法，能够自动选择最优导联，识别正确率更高、扩展性更强、应用前景良好。
为解决上述技术问题，本发明采用的一个技术方案是提供一种基于独立分量分析的情感脑电信号的导联选择方法，包括以下步骤：
S1：多导联情感信号的预处理：
将实验室采集积极、中性、消极三种情感状态下的脑电信号进行预处理；
S2：全导联ICA空域滤波器组设计：
取单次实验数据yi(i＝1,…,N)进行ICA分析，并根据独立分量在采集电极上的映射模式，自动选择相关独立分量和对应的ICA滤波器，建立对应不同情感任务背景下的ICA空域滤波器组{Di1，…，Din}(i＝1,…,N)(n≥3)；使用ICA空域滤波器组{Di1，…，Din}对原始导联情感脑电信号进行线性投影，以生成对应情感任务背景下的情感信号空域特征参数；
S3：情感模型的训练和识别：
将步骤S2生成的对应不同情感任务背景下的情感信号空域特征参数进行SVD分解降维，然后送入支持向量机中进行训练和识别；重复步骤S2和S3，最终得到不同ICA滤波器组{Di1，…，Din}的识别正确率；
S4：最优通道集合的选择：
S4.1：选择最高识别率所对应的ICA滤波器组{D1，…，Dn}作为最优空域滤波器，对原始导联情感脑电信号进行线性投影，以生成对应情感任务背景下的情感信号空域特征参数；
S4.2：使用排一法选取(n-1)个滤波器投影后的特征参数，使用SVD进行特征降维，带入步骤S3中进行情感模型的训练和识别，将n个识别结果记录在矩阵ChanAc中，根据ChanAc计算情感相关系数EmoCoeff；
S4.3：测试导联集合的特征生成：对步骤S4.2中计算的情感相关系数EmoCoeff进行升序排序，并将排序后的下标记录在CS中，依次在CS中取前m个下标对应的导联组成导联集合csm(m＝2,...,n)，根据独立分量在采集电极上的映射模式，自动选择与csm中包括的导联的情感相关独立分量和对应的ICA滤波器，建立对应不同情感任务背景下的ICA空域滤波器组
对原始导联情感脑电信号进行线性投影，以生成对应任务背景下的情感信号空域特征参数。
S4.4：选择最优导联集合：使用S4.3中生成的空域特征参数进行情感模型的训练和识别，最后使用最优滤波器所得的识别率为对应导联集合csm的测试结果，对(n-1)个cs的测试结果进行排序，选择识别率最高的导联集合对应的csm作为最优导联集合。
在本发明一个较佳实施例中，在步骤S1中，预处理的过程为对原始多导联脑电信号使用陷波滤波器和高通滤波器进行滤波，陷波滤波器的截止频率为50Hz，高通滤波器的截止频率为30Hz。
在本发明一个较佳实施例中，在步骤S2中，ICA空域滤波器组的设计包括以下步骤：
S2.1：从数据库中随机选择一组单次情感数据yi(i＝1,…,N)进行ICA分析，得到n×n的混合矩阵M和分离矩阵D；
S2.2：根据独立分量在采集电极的映射模式，自动选择相关独立分量和对应的ICA滤波器，得到分别对应于积极、中性、消极情感任务背景下的ICA空域滤波器组{Di1，…，Din}(i＝1,…,N)。
在本发明一个较佳实施例中，在步骤S4.3中，ICA空域滤波器组的设计包括以下步骤：
S4.3.1：从数据库中随机选择一组单次情感数据yi(i＝1,…,N)进行ICA分析，得到n×n的混合矩阵M和分离矩阵D；
S4.3.2：根据独立分量在采集电极的映射模式，自动选择与csm中包括的导联的情感相关独立分量和对应的ICA滤波器，得到分别对应于积极、中性、消极情感任务背景下的ICA空域滤波器组
进一步的，分离矩阵D的学习方法包括如下步骤:
(1)以信息极大化的准则为信号源独立性度量依据，使用自然梯度算法，对分离矩阵D进行迭代处理，参见公式(3)：
ΔDT∝{I-E[s]}DT (3)
公式(3)中，I为单位矩阵，E[·]为均值运算，s为所估计的情感信号的源信号
的统计量，统计量s与情感信号的源信号
之间的关系为：
公式(4)中，T表示概率模型切换矩阵，其对角线上元素的取值来自于对情感信号的源信号
峭度符号的动态估计，
为所估计的情感信号的源信号；
(2)对情感信号的源信号
进行方差归一化处理，如公式(5)：
(3)在式(3)的基础上，对混合矩阵M与分离矩阵D系数进行调整，如公式(6)：
公式(5)、(6)中，
为
的标准差，diag(·)表示将运算构造为对角矩阵。
进一步的，步骤S2.2中自动选择情感相关独立分量包括以下步骤：
S2.2.1：为记录相应位置上的独立分量，对混合矩阵M取绝对值，即|M|，并搜索|M|中每列列向量中元素的最大值，记录其所在列的索引下标和对应的电极标号；
S2.2.2：对全通道独立分量的选择：分别选择在n个导联位置具有最大绝对值元素的n个列向量，记录其对应的列序号；若矩阵|M|不同时包含所述n个列向量，则放弃基于该单次ICA滤波器设计，否则转入下步；
S2.2.3：根据所得列序号，在分离矩阵D中分别找到相应的列，构成n类对应于积极、中性、消极情感任务背景下的ICA空域滤波器组：{Di1，…，Din},(i＝1,…,N)。
进一步的，步骤S4.3.2中自动选择情感相关独立分量包括以下步骤：
S4.3.2.1：为记录相应位置上的独立分量，对混合矩阵M取绝对值，即|M|，并搜索|M|中每列列向量中元素的最大值，记录其所在列的索引下标和对应的电极标号；
S4.3.2.2：对测试导联集合的独立分量的选择：分别选择csm中包含的情感导联位置具有最大绝对值元素的m个列向量，记录其对应的列序号；若矩阵|M|不同时包含所述csm中所包括的m个列向量，则放弃基于该单次ICA滤波器设计，否则转入下步；
S4.3.2.3：根据所得列序号，在分离矩阵D中分别找到相应的列，构成m类对应于积极、中性、消极情感任务背景下的ICA空域滤波器组：
在本发明一个较佳实施例中，步骤S2中空域滤波方法如下：
使用ICA空域滤波器组{Di1，…，Din}(i＝1,…,N)对所有原始情感脑电数据yj(j＝1,…,N)进行空域滤波，如公式(7)：
公式(7)中，
分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数，使用SVD对提取的特征参数进行特征降维，降维后的结果作为最终的情感信号特征。
在本发明一个较佳实施例中，步骤S4.1中空域滤波方法如下：
使用所述最优ICA空域滤波器组{D1，…，Dn}对所有原始情感脑电数据yj(j＝1,…,N)进行空域滤波，如公式(8)：
公式(8)中，
分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数。
在本发明一个较佳实施例中，步骤S4.3中空域滤波方法如下：
使用ICA空域滤波器组
对所有原始情感脑电数据yj(j＝1,…,N)进行空域滤波，如公式(9)：
公式(9)中，
分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数，使用SVD对提取的特征参数进行特征降维，降维后的结果作为最终的情感信号特征。
本发明的有益效果是：
(1)本发明提出的基于独立分量分析的情感脑电信号的通道选择方法，获得了较高的识别正确率，实现了根据不同受试者自动选择情感相关独立分量，相对于提取全通道的独立分量，选取最优导联位置的独立分量不仅能够降低算法的时间复杂度，同时能更准确地描述情感相关独立源的真实情况，同时能够有效抑制与情感信号无关的分量及外部噪声的干扰；
(2)本发明在情感类型的识别上具有较强的扩展能力：虽然只给出了三类情感信号的特征提取与识别方法，但ICA空域滤波方法对输入信号的导联数没有限制，因此，本发明所提方法具有较强的分类扩展能力，可以进行更多情感类型的特征提取与识别，有效提高了算法的实际应用价值；
(3)本发明具有良好的应用前景：本发明以提高情感识别的准确率为主目标，主要解决了情感信号的识别问题。情感识别研究的应用前景广阔，在人机交互、医疗健康、远程教育、娱乐游戏开发等众多领域均有重大的应用价值。
附图说明
图1是情感信号的生成过程示意图；
图2是采集信号时所用的电极及位置示意图；
图3是本发明基于独立分量分析的情感脑电信号的导联选择方法一较佳实施例的流程图；
图4为导联情感相关性以及测试导联集合的产生过程示意图；
图5为测试导联集合的识别率示意图；
图6为最优导联集合所包含的导联示意图；
图7为基于最优导联集合的ICA滤波器训练与测试数据均来自同一受试者时的识别正确率示意图；
图8是最优导联集合与全导联集合在三类情感上的识别正确率示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图3，本发明实施例包括：
一种基于独立分量分析的情感脑电信号的导联选择方法，包括以下步骤：以32导联情感信号为例说明，
S1：多导联情感信号预处理：使用实验室采集的9种情感数据(中性，愤怒，恶心，害怕，开心，伤心，惊讶，滑稽，焦虑)根据二维情感模型中的效价维划分为积极，中性，消极3种情感状态下的脑电信号；并将原始多导联脑电信号使用带阻、高通滤波器进行滤波，以去除噪声干扰，陷波和高通滤波步骤的滤波器截止频率分别为50H和30Hz。为方便进行ICA分析，取8s的脑电信号视为一次实验数据，随机将所有预处理后的样本数据均分成5组，任意选择其中一组作为测试样本集，剩余的4组则作为训练样本集；
S2：全导联ICA空域滤波器设计：使用单次训练样本数据yi(i＝1,…,N)进行ICA分析，并根据独立分量在采集电极的映射模式，自动选择情感相关独立分量和对应的ICA滤波器，建立对应不同情感任务背景下的ICA空域滤波器组{Di1，…，Di32}(i＝1,…,N)；使用ICA空域滤波器组{Di1，…，Di32}对原始32导联情感信号(包括训练数据和测试数据)进行线性投影，以生成对应任务背景下的情感信号空域特征参数。
ICA空域滤波器组的设计包括以下步骤：
S2.1：从数据库中随机选择一组单次情感数据yi(i＝1,…,N)进行ICA分析，得到32×32的混合矩阵M和分离矩阵D；
混合矩阵M与分离矩阵D的定义如下：
若y(t)＝[y1(t),…,yn(t)]T为n导联原始EEG观测信号，该信号定义为n个情感相关的相互独立隐含“源”x(t)＝[x1(t),…,xn(t)]T线性瞬时混合而成，即
y(t)＝Mx(t) (1)
公式(1)中M表示混合矩阵。
与公式(1)的混合模型对应的是分解模型，参见公式(2)：
公式(2)中D表示分离矩阵。
其中，分离矩阵D的学习方法包括如下步骤：
(1)以信息极大化的准则为信号源独立性度量依据，使用自然梯度算法，对分离矩阵D进行迭代处理，参见公式(3)：
ΔDT∝{I-E[s]}DT (3)
公式(3)中，I为单位矩阵，E[·]为均值运算，s为所估计的情感信号的源信号
的统计量，统计量s与情感信号的源信号
之间的关系为：
公式(4)中，T表示概率模型切换矩阵，其对角线上元素的取值来自于对情感信号的源信号
峭度符号的动态估计，
为所估计的情感信号的源信号；
(2)对情感信号的源信号
进行方差归一化处理，如公式(5)：
(3)在式(3)的基础上，对混合矩阵M与分离矩阵D系数进行调整，如公式(6)：
公式(5)、(6)中，
为
的标准差，diag(·)表示将运算构造为对角矩阵。
S2.2：根据独立分量在采集电极的映射模式，自动选择相关独立分量和对应的ICA滤波器，得到分别对应于积极、中性、消极情感任务背景下的ICA空域滤波器组{Di1，…，Di32}(i＝1,…,N)。
自动选择情感相关独立分量包括以下步骤：
S2.2.1：为记录相应位置上的独立分量，对混合矩阵M取绝对值，即|M|，并搜索|M|中每列列向量中元素的最大值，记录其所在列的索引下标和对应的电极标号；
S2.2.2：对全通道独立分量的选择：分别选择在n个导联位置具有最大绝对值元素的n个列向量，记录其对应的列序号；若矩阵|M|不同时包含所述n个列向量，则放弃基于该单次ICA滤波器设计，否则转入下步；
S2.2.3：根据所得列序号，在分离矩阵D中分别找到相应的列，构成n类对应于积极、中性、消极情感任务背景下的ICA空域滤波器组：{Di1，…，Di32},(i＝1,…,N)。
使用ICA空域滤波器组{Di1，…，Di32}(i＝1,…,N)对所有原始情感脑电数据yj(j＝1,…,N)进行空域滤波，如公式(7)：
公式(7)中，
分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数，使用SVD对提取的特征参数进行特征降维，降维后的结果作为最终的情感信号特征。
S3：情感模型的训练和识别：对所有训练样本使用步骤S2中所得到的ICA滤波器组{Di1，…，Di32}进行空域滤波，将线性投影后的结果作为其特征参数，使用SVD进行特征降维，然后送入支持向量机(SVM)中进行训练；对测试样本，同样使用上述ICA滤波器组{Di1，…，Di32}进行空域滤波，并将投影后结果作为特征参数，使用SVD进行特征降维，然后送入到已经训练好的SVM分类器中进行识别。对上述步骤重复执行10遍，并将每次的实验结果进行平均，最终得到在该ICA滤波器组{Di1，…，Di32}下不同情感信号的识别率。
S4：最优通道集合选择：
S4.1：对情感数据库中所有的数据样本重复步骤S2与步骤S3，可以得到N个ICA滤波器组及相应的识别率，挑选出最高识别率所对应的ICA滤波器组{D1，…，D32}作为最优空域滤波器。取最优滤波器{D1，…，D32}对原始32导联情感信号进行线性投影，以生成对应任务背景下的情感信号空域特征参数；
使用所述最优ICA空域滤波器组{D1，…，D32}对所有原始情感脑电数据yj(j＝1,…,N)进行空域滤波，如公式(8)：
公式(8)中，
分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数。
S4.2：排一法计算导联-情感相关系数：使用上述32个独立分量所组成的情感信号空域特征参数，根据独立分量和导联之间的映射关系进行导联选择。依次从32个独立分量
中去除其中一个，以生成包含其余独立分量的空域特征参数，转向步骤3，进行情感模型的训练和识别，将32个识别结果记录在矩阵ChanAc中。根据ChanAc如下公式(10)计算情感相关系数EmoCoeff：
EmoCoeff＝abs(ChanAc-max(ChanAc)) (10)
S4.3：测试导联集合的滤波器设计及特征生成：对步骤(2)中计算的情感相关系数EmoCoeff进行升序排序，并将排序后的下标记录在CS中，依次在CS中取前m个下标对应的导联组成导联集合csm(m＝2,...,32)，对原始情感EEG信号进行ICA分析，根据独立成份在采集电极的映射模式，自动选择与csm中包括的导联的情感相关独立分量和对应的ICA滤波器，建立对应不同情感任务背景下的ICA空域滤波器组
利用生成的
对原始32导联情感信号进行线性投影，以生成对应任务背景下的情感信号空域特征参数；
ICA空域滤波器组的设计包括以下步骤：
S4.3.1：从数据库中随机选择一组单次情感数据yi(i＝1,…,N)进行ICA分析，得到32×32的混合矩阵M和分离矩阵D；
S4.3.2：根据独立分量在采集电极的映射模式，自动选择与csm中包括的导联的情感相关独立分量和对应的ICA滤波器，得到分别对应于积极、中性、消极情感任务背景下的ICA空域滤波器组
自动选择情感相关独立分量包括以下步骤：
S4.3.2.1：为记录相应位置上的独立分量，对混合矩阵M取绝对值，即|M|，并搜索|M|中每列列向量中元素的最大值，记录其所在列的索引下标和对应的电极标号；
S4.3.2.2：对测试导联集合的独立分量的选择：分别选择csm中包含的情感导联位置具有最大绝对值元素的m个列向量，记录其对应的列序号；若矩阵|M|不同时包含所述csm中所包括的m个列向量，则放弃基于该单次ICA滤波器设计，否则转入下步；
S4.3.2.3：根据所得列序号，在分离矩阵D中分别找到相应的列，构成m类对应于积极、中性、消极情感任务背景下的ICA空域滤波器组：
使用ICA空域滤波器组
对所有原始情感脑电数据yj(j＝1,…,N)进行空域滤波，如公式(9)：
公式(9)中，
分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数，使用SVD对提取的特征参数进行特征降维，降维后的结果作为最终的情感信号特征。
S4.4：选择最优导联集合：使用S4.3中生成的空域特征参数进行情感模型的训练和识别，最后使用最优滤波器所得的识别率为对应导联集合csm的测试结果，对31个cs的测试结果进行排序选择识别率最高的导联集合对应的csm作为最优导联集合。
参见图1，图1为情感信号的生成过程示意图，说明了本实例中观看情感视频时引发的EEG波形产生的过程。脑电信号是指在人体大脑受到情感诱发时，大脑外层皮质细胞所产生的生物电将随时间和空间出现变化，使用置于头皮表面的电极可以探测个各点的电势差随时间的变化，而这种电势差变化是大量脑细胞传递叠加之后的结果，本发明主要用以解决情感EEG信号的识别正确率。
参见图2，图2为本发明的情感信号采集过程中电极分布图，说明了本实施例中情感信号采集过程中电极分布。脑电信号的采集使用Ag/AgCl电极。为了获取受试者积极，中性，消极的情感状态信息以及更多的空间位置信息，本实施例中共使用了32个电极。
参见图4，图4为根据情感相关系数EmoCoeff排序产生导联集合的过程，以及各个导联相对于受试者的情感关联度的大小，颜色越深表示这个导联的信号对于情感识别越重要。导联越重要则越先被选中到测试导联集合中进行情感识别。
参见图5，图5为20个受试者的测试通道集合所对应的识别正确率，说明了少数的导联集合就可以获取相对较高的识别率。其中，横坐标表示每个受试者的31个通道集合，纵坐标1—20分别对应20位不同的受试者。图中的白色三角形标注的是最优导联集合，可以看出，在该实验条件下，所有受试者的最优导联集合分布在第8个导联集合之后。这一结果说明本发明所述方法能够从多导EEG信号中选择少数导联通道并分离出多个“真实”的情感相关独立成分，因此能更准确地描述情感相关独立源的真实情况，获得了较为理想的识别正确率。
参见图6，图6为图5中白色三角形所标注的最优导联集合所包含的导联，其中横坐标为导联标签，纵坐标为受试者索引。此图反映出了每位受试者的最优导联的信息。
参见图7，图7为基于ICA的最优导联集合的识别正确率。横坐标1—20分别对应20位不同的受试者，纵坐标表示识别正确率。可以看出，在该实验条件下，最高识别正确率达到了97.21％，最低为76.9％，统计后发现，所有受试者总的平均识别率达到了87.53％。这一结果说明本发明所述方法能够从多导EEG信号中分离出多个“真实”的情感相关独立成分，因此能更准确地描述情感相关独立源的真实情况，获得了较为理想的识别正确率。
参见图8，图8为基于ICA的最优导联与全导联之间的识别率结果的对比。可以看出对于积极和消极的情感状态的识别精度要高于中性，最优导联情况下积极和消极的识别率相差不大，相对于全导联，最优导联在3种识别正确率下的平均识别率上升了1.9％。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于独立分量分析的情感脑电信号的导联选择方法，包括以下步骤：
S1：多导联情感信号的预处理：
将实验室采集积极、中性、消极三种情感状态下的脑电信号进行预处理；
S2：全导联ICA空域滤波器组设计：
取单次实验数据yi(i＝1，…，N)进行ICA分析，并根据独立分量在采集电极上的映射模式，自动选择相关独立分量和对应的ICA滤波器，建立对应不同情感任务背景下的ICA空域滤波器组{Di1，...，Din}(i＝1，…，N)(n≥3)；使用ICA空域滤波器组{Di1，...，Din}对原始导联情感脑电信号进行线性投影，以生成对应情感任务背景下的情感信号空域特征参数；
S3：情感模型的训练和识别：
将步骤S2生成的对应不同情感任务背景下的情感信号空域特征参数进行SVD分解降维，然后送入支持向量机中进行训练和识别；重复步骤S2和S3，最终得到不同ICA滤波器组{Di1，...，Din}的识别正确率；
S4：最优通道集合的选择：
S4.1：选择最高识别率所对应的ICA滤波器组{D1，...，Dn}作为最优空域滤波器，对原始导联情感脑电信号进行线性投影，以生成对应情感任务背景下的情感信号空域特征参数；
S4.2：使用排一法选取(n-1)个滤波器投影后的特征参数，使用SVD进行特征降维，带入步骤S3中进行情感模型的训练和识别，将n个识别结果记录在矩阵ChanAc中，根据ChanAc计算情感相关系数EmoCoeff；
S4.3：测试导联集合的特征生成：对步骤S4.2中计算的情感相关系数EmoCoeff进行升序排序，并将排序后的下标记录在CS中，依次在CS中取前m个下标对应的导联组成导联集合csm(m＝2，...，n)，根据独立分量在采集电极上的映射模式，自动选择与csm中包括的导联的情感相关独立分量和对应的ICA滤波器，建立对应不同情感任务背景下的ICA空域滤波器组
对原始导联情感脑电信号进行线性投影，以生成对应任务背景下的情感信号空域特征参数；
ICA空域滤波器组的设计包括以下步骤：
S4.3.1：从数据库中随机选择一组单次情感数据yi(i＝1，…，N)进行ICA分析，得到n×n的混合矩阵M和分离矩阵D；
S4.3.2：根据独立分量在采集电极的映射模式，自动选择与csm中包括的导联的情感相关独立分量和对应的ICA滤波器，得到分别对应于积极、中性、消极情感任务背景下的ICA空域滤波器组
自动选择情感相关独立分量包括以下步骤：
S4.3.2.1：为记录相应位置上的独立分量，对混合矩阵M取绝对值，即|M|，并搜索|M|中每列列向量中元素的最大值，记录其所在列的索引下标和对应的电极标号；
S4.3.2.2：对测试导联集合的独立分量的选择：分别选择csm中包含的情感导联位置具有最大绝对值元素的m个列向量，记录其对应的列序号；若矩阵|M|不同时包含所述csm中所包括的m个列向量，则放弃基于该单次ICA滤波器设计，否则转入下步；
S4.3.2.3：根据所得列序号，在分离矩阵D中分别找到相应的列，构成m类对应于积极、中性、消极情感任务背景下的ICA空域滤波器组：
S4.4：选择最优导联集合：使用S4.3中生成的空域特征参数进行情感模型的训练和识别，最后使用最优滤波器所得的识别率为对应导联集合csm的测试结果，对(n-1)个cs的测试结果进行排序，选择识别率最高的导联集合对应的csm作为最优导联集合。
2.根据权利要求1所述的基于独立分量分析的情感脑电信号的导联选择方法，其特征在于，在步骤S1中，预处理的过程为对原始多导联脑电信号使用陷波滤波器和高通滤波器进行滤波，陷波滤波器的截止频率为50Hz，高通滤波器的截止频率为30Hz。
3.根据权利要求1所述的基于独立分量分析的情感脑电信号的导联选择方法，其特征在于，在步骤S2中，ICA空域滤波器组的设计包括以下步骤：
S2.1：从数据库中随机选择一组单次情感数据yi(i＝1，…，N)进行ICA分析，得到n×n的混合矩阵M和分离矩阵D；
S2.2：根据独立分量在采集电极的映射模式，自动选择相关独立分量和对应的ICA滤波器，得到分别对应于积极、中性、消极情感任务背景下的ICA空域滤波器组{Di1，...，Din}(i＝1，…，N)。
4.根据权利要求1或3所述的基于独立分量分析的情感脑电信号的导联选择方法，其特征在于，分离矩阵D的学习方法包括如下步骤：
(1)以信息极大化的准则为信号源独立性度量依据，使用自然梯度算法，对分离矩阵D进行迭代处理，参见公式(3)：
ΔDT∝{I-E[s]}DT (3)
公式(3)中，1为单位矩阵，E[·]为均值运算，s为所估计的情感信号的源信号
的统计量，统计量S与情感信号的源信号
之间的关系为：
公式(4)中，T表示概率模型切换矩阵，其对角线上元素的取值来自于对情感信号的源信号
峭度符号的动态估计，
为所估计的情感信号的源信号；
(2)对情感信号的源信号
进行方差归一化处理，如公式(5)：
(3)在式(3)的基础上，对混合矩阵M与分离矩阵D系数进行调整，如公式(6)：
公式(5)、(6)中，
为
的标准差，diag(·)表示将运算构造为对角矩阵。
5.根据权利要求3所述的基于独立分量分析的情感脑电信号的导联选择方法，其特征在于，步骤S2.2中自动选择情感相关独立分量包括以下步骤：
S2.2.1：为记录相应位置上的独立分量，对混合矩阵M取绝对值，即|M|，并搜索|M|中每列列向量中元素的最大值，记录其所在列的索引下标和对应的电极标号；
S2.2.2：对全通道独立分量的选择：分别选择在n个导联位置具有最大绝对值元素的n个列向量，记录其对应的列序号；若矩阵|M|不同时包含所述n个列向量，则放弃基于该单次ICA滤波器设计，否则转入下步；
S2.2.3：根据所得列序号，在分离矩阵D中分别找到相应的列，构成n类对应于积极、中性、消极情感任务背景下的ICA空域滤波器组：{Di1，...，Din}，(i＝1，…，N)。
6.根据权利要求1所述的基于独立分量分析的情感脑电信号的导联选择方法，其特征在于，步骤S2中空域滤波方法如下：
使用ICA空域滤波器组{Di1，...，Din}(i＝1，…，N)对所有原始情感脑电数据yj(j＝1，…，N)进行空域滤波，如公式(7)：
公式(7)中，
分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数，使用SVD对提取的特征参数进行特征降维，降维后的结果作为最终的情感信号特征。
7.根据权利要求1所述的基于独立分量分析的情感脑电信号的导联选择方法，其特征在于，步骤S4.1中空域滤波方法如下：
使用所述最优ICA空域滤波器组{D1，...，Dn}对所有原始情感脑电数据yj(j＝1，…，N)进行空域滤波，如公式(8)：
公式(8)中，
分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数。
8.根据权利要求1所述的基于独立分量分析的情感脑电信号的导联选择方法，其特征在于，步骤S4.3中空域滤波方法如下：
使用ICA空域滤波器组
对所有原始情感脑电数据yj(j＝1，…，N)进行空域滤波，如公式(9)：
公式(9)中，
分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数，使用SVD对提取的特征参数进行特征降维，降维后的结果作为最终的情感信号特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810565890.9A CN108937968B (zh) | 2018-06-04 | 2018-06-04 | 基于独立分量分析的情感脑电信号的导联选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810565890.9A CN108937968B (zh) | 2018-06-04 | 2018-06-04 | 基于独立分量分析的情感脑电信号的导联选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108937968A CN108937968A (zh) | 2018-12-07 |
| CN108937968B true CN108937968B (zh) | 2021-11-19 |
Family
ID=64493082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810565890.9A Active CN108937968B (zh) | 2018-06-04 | 2018-06-04 | 基于独立分量分析的情感脑电信号的导联选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108937968B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784287A (zh) | 2019-01-22 | 2019-05-21 | 中国科学院自动化研究所 | 基于情景信号类前额叶网络的信息处理方法、系统、装置 |
| CN110353673B (zh) * | 2019-07-16 | 2021-08-31 | 西安邮电大学 | 一种基于标准互信息的脑电通道选择方法 |
| CN110537907B (zh) * | 2019-08-26 | 2021-05-14 | 华南理工大学 | 一种基于奇异值分解的心电信号压缩及识别方法 |
| CN110765978B (zh) * | 2019-11-04 | 2022-08-16 | 西安邮电大学 | 一种基于分形维数的通道选择方法 |
| CN111427450A (zh) * | 2020-03-20 | 2020-07-17 | 海南大学 | 一种情绪识别的方法、系统、设备及可读存储介质 |
| CN111671421B (zh) * | 2020-06-24 | 2023-06-27 | 安徽智趣小天使信息科技有限公司 | 一种基于脑电图的儿童需求感知方法 |
| CN113855023B (zh) * | 2021-10-26 | 2023-07-04 | 深圳大学 | 一种基于迭代溯源的下肢运动bci电极选择方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103584840A (zh) * | 2013-11-25 | 2014-02-19 | 天津大学 | 基于脑电、心率变异及两者相干性的自动睡眠分期方法 |
| CN105640500A (zh) * | 2015-12-21 | 2016-06-08 | 安徽大学 | 基于独立分量分析的扫视信号特征提取方法和识别方法 |
| CN106886792A (zh) * | 2017-01-22 | 2017-06-23 | 北京工业大学 | 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 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070091813A1 (en) * | 2005-10-19 | 2007-04-26 | Guy Richard | Automatic channel switching method for low-power communication devices |
| WO2010038217A1 (en) * | 2008-10-03 | 2010-04-08 | University Of Cape Town | Neonatal brain well-being monitor |
| US8571646B2 (en) * | 2009-02-12 | 2013-10-29 | National University Corporation Nagaoka University Of Technology | Emotional state determining apparatus |
| CN103338265B (zh) * | 2013-07-10 | 2016-03-30 | 安徽大学 | 一种结合脑电和眼电的信息交互系统及信息交互方法 |
| WO2016049757A1 (en) * | 2014-10-01 | 2016-04-07 | Nuralogix Corporation | System and method for detecting invisible human emotion |
| CN105956624B (zh) * | 2016-05-06 | 2019-05-21 | 东南大学 | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 |
| CN106778475B (zh) * | 2016-11-18 | 2020-06-09 | 同济大学 | 一种最优导联集选择方法及系统 |
| CN107080546B (zh) * | 2017-04-18 | 2020-08-21 | 安徽智趣小天使信息科技有限公司 | 基于脑电图的青少年环境心理的情绪感知与刺激样本选择方法 |
| CN107260166A (zh) * | 2017-05-26 | 2017-10-20 | 昆明理工大学 | 一种实用化在线脑电伪迹剔除方法 |
| CN107239142A (zh) * | 2017-06-01 | 2017-10-10 | 南京邮电大学 | 一种结合公共空间模式算法和emd的脑电信号特征提取方法 |
| CN107239769A (zh) * | 2017-06-16 | 2017-10-10 | 西南大学 | 一种使用多通道信息融合的个人情感效价识别方法 |
| CN107361767A (zh) * | 2017-08-04 | 2017-11-21 | 西南大学 | 一种使用脑电信号的人类情感效价分类识别方法 |
| CN107292296A (zh) * | 2017-08-04 | 2017-10-24 | 西南大学 | 一种使用脑电信号的人类情感唤醒度分类识别方法 |
| CN107374620A (zh) * | 2017-08-21 | 2017-11-24 | 南京理工大学 | 一种基于独立成分分析算法的脑电信号预处理方法 |
-
2018
- 2018-06-04 CN CN201810565890.9A patent/CN108937968B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103584840A (zh) * | 2013-11-25 | 2014-02-19 | 天津大学 | 基于脑电、心率变异及两者相干性的自动睡眠分期方法 |
| CN105640500A (zh) * | 2015-12-21 | 2016-06-08 | 安徽大学 | 基于独立分量分析的扫视信号特征提取方法和识别方法 |
| CN106886792A (zh) * | 2017-01-22 | 2017-06-23 | 北京工业大学 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 情感脑电的通道选择与分类方法研究;李志鹏;《中国优秀硕士学位论文全文数据库》;20180215;正文第21页第2-8段、第25页第1段，附图3-7 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108937968A (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108937968B (zh) | 基于独立分量分析的情感脑电信号的导联选择方法 | |
| Esfahani et al. | Classification of primitive shapes using brain–computer interfaces | |
| Kachenoura et al. | ICA: a potential tool for BCI systems | |
| CN111714118B (zh) | 一种基于集成学习的脑认知模型融合方法 | |
| Xu et al. | High accuracy classification of EEG signal | |
| CN111783942B (zh) | 一种基于卷积循环神经网络的脑认知过程模拟方法 | |
| CN111184509A (zh) | 一种基于传递熵的情绪诱导脑电信号分类方法 | |
| Zhang et al. | Clustering linear discriminant analysis for MEG-based brain computer interfaces | |
| CN113191395B (zh) | 一种基于双脑的多层次信息融合的目标检测方法 | |
| Mousa et al. | A novel brain computer interface based on principle component analysis | |
| CN110059564B (zh) | 基于功率谱密度和互相关熵谱密度融合的特征提取方法 | |
| CN111772629B (zh) | 一种脑认知技能移植的方法 | |
| CN113208593A (zh) | 基于相关性动态融合的多模态生理信号情绪分类方法 | |
| CN113017627A (zh) | 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 | |
| CN113180659A (zh) | 一种基于三维特征和空洞全卷积网络的脑电情感识别系统 | |
| Talukdar et al. | Motor imagery EEG signal classification scheme based on autoregressive reflection coefficients | |
| CN106073767B (zh) | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 | |
| Ahmed et al. | Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures | |
| Delorme et al. | Comparing results of algorithms implementing blind source separation of EEG data | |
| CN111222578A (zh) | 一种运动想象eeg信号的在线处理方法 | |
| Akrout et al. | Artificial and convolutional neural network of EEG-based motor imagery classification: A comparative study | |
| Si et al. | Temporal aware mixed attention-based convolution and transformer network (MACTN) for EEG emotion recognition | |
| CN114587384A (zh) | 一种结合低秩表示与流形学习的运动想象脑电信号特征提取方法 | |
| CN108542383B (zh) | 基于运动想象的脑电信号识别方法、系统、介质及设备 | |
| Shi et al. | To investigate the ability of CNN in learning specific frequency band of motor imagery EEG |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181207 Assignee: Anhui Digital Starry Sky Industrial Technology Co.,Ltd. Assignor: ANHUI University Contract record no.: X2024980000698 Denomination of invention: A Lead Selection Method for Emotional EEG Signals Based on Independent Component Analysis Granted publication date: 20211119 License type: Common License Record date: 20240119 |
|
| EE01 | Entry into force of recordation of patent licensing contract |