CN109199414B - 一种基于脑电信号的视听诱发情绪识别方法及系统 - Google Patents

一种基于脑电信号的视听诱发情绪识别方法及系统 Download PDF

Info

Publication number
CN109199414B
CN109199414B CN201811273387.2A CN201811273387A CN109199414B CN 109199414 B CN109199414 B CN 109199414B CN 201811273387 A CN201811273387 A CN 201811273387A CN 109199414 B CN109199414 B CN 109199414B
Authority
CN
China
Prior art keywords
feature
signal
electroencephalogram
evaluation
value
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
Application number
CN201811273387.2A
Other languages
English (en)
Other versions
CN109199414A (zh
Inventor
陈昆
艾青松
刘泉
何悦
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201811273387.2A priority Critical patent/CN109199414B/zh
Publication of CN109199414A publication Critical patent/CN109199414A/zh
Application granted granted Critical
Publication of CN109199414B publication Critical patent/CN109199414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/378—Visual stimuli
    • 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]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/38—Acoustic or auditory stimuli
    • 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)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Acoustics & Sound (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于脑电信号的视听诱发情绪识别方法及系统，其中的方法包括：首先采集基于视听诱发产生的脑电信号，通过带通滤波器进行预处理；然后对多通道脑电信号进行非均匀采样的多元经验模态分解，选择有效的固有模态函数提取情绪脑电信号特征；接着将序列浮动前向选择方法作为选择和删除特征集合的搜索策略，结合过滤器和封装器作为最优特征子集的评价准则，对提取出的情绪脑电信号特征进行筛选；再将选择好的特征子集输入到支持向量机中进行分类，获得分类结果，最后根据分类结果，获得情绪识别结果，实现情绪识别。本发明在探索情绪脑电规律的基础上开展了多类诱发方式的情绪识别方法研究，有效提升了识别准确率。

Description

一种基于脑电信号的视听诱发情绪识别方法及系统
技术领域
本发明涉及脑电信号处理技术领域，具体涉及一种基于脑电信号的视听诱发情绪识别方法及系统。
背景技术
通过有效手段自动进行情绪识别对先进人机交互系统有着重要的意义，快速准确的情绪识别可以使人机交互过程更加友好和智能，因此情绪识别已经成为计算机科学和人工智能领域的热门课题。
人的表情、语音、肢体和各类生理信号在一定程度上都可以反映心理状态和情绪变化，都可以作为情绪识别的信号源，但是人的行为特征、语言特征和表情特征等外在特征在很大程度上可以被人的主观意志影响并控制，而通过生理信号进行情绪识别无法人为掩饰隐藏，很难受到人的主观意志控制。因此脉搏、呼吸、皮肤电和脑电等生理信号常用于情绪识别研究中，其中脑电信号作为中枢神经生理信号，是大脑皮层表面神经元活动规律的表现，和情绪有着更加紧密的联系。近年来，先进的脑电采集设备愈发普及，信号精度和可靠性增加，在模式识别、机器学习和信号处理等领域中，脑电信号分析方法和工具得到迅速发展，基于脑电信号的情绪识别能够更加真实地反映人的情绪状态，其结果更加具有准确性和客观性，因此越来越多的学者使用脑电信号来研究情绪识别课题。
现有技术中，情绪的二维坐标体系效价-唤醒度模型(Valence-Arousal,VA)是心理学界进行情感度量的重要模型之一。其中，效价代表受试对象的愉悦程度，可以分为正负效价，唤醒度代表受试对象心理激活的强烈程度和警觉水平，可以分为高低唤醒度。
本发明申请人在实施本发明的过程中，发现现有方法中，主要存在下述技术问题：维度模型下情绪识别的正确率亟待提高，情绪脑电研究过程具体如下：信号采集、预处理、特征提取和选择、模式识别，其中情绪识别的准确率很大程度上取决于从脑电信号中提取的特征和送入分类器中的特征向量，这也是限制维度模型下情绪识别正确率的两大因素；其次现实生活中情绪往往是由多类刺激源诱发，因此多类诱发方式下情绪维度空间的识别研究需进一步开展。
由上可知，现有技术的识别方法存在情绪识别准确率不高的技术问题。
发明内容
有鉴于此，本发明提供了一种基于脑电信号的视听诱发情绪识别方法及系统，用以解决或者至少部分解决现有技术的识别方法存在情绪识别准确率不高的技术问题。
本发明第一方面提供了1、一种基于脑电信号的视听诱发情绪识别方法，包括：
步骤S1：采集基于视听诱发产生的脑电信号，
步骤S2：通过带通滤波器进行预处理，获得多通道脑电信号；
步骤S3：对多通道脑电信号进行非均匀采样的多元经验模态分解，并选择有效的固有模态函数提取情绪脑电信号特征；
步骤S4：将序列浮动前向选择方法作为选择和删除特征集合的搜索策略，结合过滤器和封装器作为最优特征子集的评价准则，对提取出的情绪脑电信号特征进行筛选；
步骤S5：将筛选出的特征子集输入至预设支持向量机中进行分类，获得分类结果；
步骤S6：根据分类结果，获得情绪识别结果。
基于同样的发明构思，本发明第二方面提供了一种基于脑电信号的视听诱发情绪识别系统，包括：
信号采集模块，用于采集基于视听诱发产生的脑电信号；
预处理模块，用于通过带通滤波器进行预处理，获得多通道脑电信号；
特征提取模块，用于对多通道脑电信号进行非均匀采样的多元经验模态分解，并选择有效的固有模态函数提取情绪脑电信号特征；
特征筛选模块，用于将序列浮动前向选择方法作为选择和删除特征集合的搜索策略，结合过滤器和封装器作为最优特征子集的评价准则，对提取出的情绪脑电信号特征进行筛选；
分类模块，将筛选出的特征子集输入至预设支持向量机中进行分类，获得分类结果；
情绪识别模块，用于根据分类结果，获得情绪识别结果。
基于同样的发明构思，本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面的所述的方法。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
在本发明提供的基于脑电信号的视听诱发情绪识别方法，首先对多通道脑电信号进行非均匀采样的多元经验模态分解，并选择有效的固有模态函数提取情绪脑电信号特征，通过多元经验模态分解方法(MEMD)可以有效地提取脑电信号特征，从而可以提高情绪脑电信号的分类正确率，并且针对特征提取过程中存在特征冗余、特征维度高的问题，以SFFS(序列浮动前向选择方法)作为最优特征集合选入和剔除的搜索策略，结合过滤器和封装器作为最优特征子集的评价准则，提出了混合SFFS的特征选择算法来优化特征提取形成的高维向量空间，可以有效降低特征维度、剔除冗余特征的同时提高脑电信号的分类准确性，然后通过分类结果可以得到情绪识别结果，故而可以提高情绪识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种实施例中基于脑电信号的视听诱发情绪识别方法的流程图；
图2为本发明另一种实施方式中情绪识别方法的总体流程图；
图3为信号采集仪与脑电帽示意图；
图4为非均匀采样的多元经验模态分解方法的流程图；
图5为混合序列浮动前向选择方法的流程图；
图6为情绪图片诱发实验界面；
图7为情绪在线识别系统界面；
图8为本发明实施例中基于脑电信号的视听诱发情绪识别系统的结构框图；
图9为本发明实施例中计算机可读存储介质的结构图。
具体实施方式
本发明实施例提供了一种基于脑电信号的视听诱发情绪识别方法及系统，通过多通道数据自适应选择投影方向的非均匀采样经验模态分解方法和基于混合序列浮动前向选择的特征选择方法来完成多类诱发方式下情绪维度空间的识别和基于脑电信号的情绪识别系统搭建，可以实现提高情绪识别准确性的技术效果。
为了达到上述技术效果，本发明的总体思路如下：
首先采集基于视听诱发产生的脑电信号，通过带通滤波器进行预处理，然后对预处理后的对多通道脑电信号进行非均匀采样的多元经验模态分解，选择有效的固有模态函数提取情绪脑电信号特征，接着以序列浮动前向选择方法作为选择和删除特征集合的搜索策略，结合过滤器和封装器作为最优特征子集的评价准则，对提取到的特征进行进一步的筛选，再将选择好的特征子集输入到支持向量机中进行分类获得分类结果，最后根据分类结果实现情绪识别。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本实施例提供了一种基于脑电信号的视听诱发情绪识别方法，请参见图1，该方法包括：
首先执行步骤S1：采集基于视听诱发产生的脑电信号。
具体来说，脑电信号(EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。在本实施方式中，通过听觉刺激和视觉刺激两种方式来诱发产生脑电信号。脑电信号的采集如图3所示，信号采集仪与脑电帽的示意图。
然后执行步骤S2：通过带通滤波器进行预处理，获得多通道脑电信号。
具体来说，可以通过带通滤波器对脑电信号进行4-45HZ滤波处理，可以消除其他频段的杂波和干扰，提高信噪比，得到多通道脑电信号。
然后执行步骤S3：对多通道脑电信号进行非均匀采样的多元经验模态分解，并选择有效的固有模态函数提取情绪脑电信号特征。
具体来说，由于空间均匀采样的方式不能很好地反映多元脑电信号动态特征的问题，本实施方式在MEMD(多元经验模态分解)算法的基础上，提出自适应选择投影方向的非均匀采样MEMD算法，可以有效提取脑电信号特征，提高情绪脑电信号的分类正确率。固有模态函数，也称本征模函数，它的任意一点的瞬时频率都是有意义的。任何信号都是由若干固有模态函数组成，任何时候，一个信号都可以包含若干个固有模态函数，如果本征模函数之间相互重叠，便形成复合信号。
接着执行步骤S4：将序列浮动前向选择方法作为选择和删除特征集合的搜索策略，结合过滤器和封装器作为最优特征子集的评价准则，对提取出的情绪脑电信号特征进行筛选。
具体来说，序列浮动前向选择方法即(SFFS,Sequential Floating ForwardSelection)，其算法描述为：从空集开始，每轮在未选择的特征中选择一个子集x，使加入子集x后评价函数达到最优，然后在已选择的特征中选择子集z，使剔除子集z后评价函数达到最优。其中，过滤器方法，可以采用基于散布矩阵类别可分性的评价准则JF，封装器方法，可以采用支持向量机分类性能的评价准则JW，使用JF来选择加入哪一个新的特征或是剔除哪一个已有的特征，使用JW来判断加入或是剔除特征后特征集合的分类性能是否强于原有的特征集合。
然后执行步骤S5：将筛选出的特征子集输入至预设支持向量机中进行分类，获得分类结果。
具体来说，支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，用于解决小样本、非线性及高维模式识别中等问题。本实施方式中的预设支持向量机可以预先构建。
步骤S6：根据分类结果，获得情绪识别结果。
具体来说，包括对用户和实验进行设置，对用户的个人信息和实验信息进行记录保存；根据诱发方式的不同对情绪音乐和图片的实验流程进行控制，调用MATLAB中的m文件对接收到的数据进行处理判断，同步数据接收和实验流程，最后将识别结果以图片的方式输出反馈给用户。
请参见图2，为一种实施方式中情绪识别方法的总体流程图，首先进行EEG信号的采集，然后进行带通滤波，接着是特征提取的过程：首先进行MEMD分解，然后IMF(固有模态函数)选择，提取出情绪脑电信号特征，然后是特征选择的过程：采用SFFS搜索策略，并结合过滤器和封装器的评价准则进行特征选择，再将选择的特征子集输入支持向量机中，获得分类结果，最后根据分类结果进行指令反映，输出情绪识别结果。
在一种实施方式中，步骤S3具体包括：
S3.1：计算多维空间的方向向量并对其进行重新定位，将输入信号映射到重定位的方向向量上，其中，多维空间的方向向量为n元序列
Figure BDA0001846458100000061
代表一个n元信号，n维向量的长度为T，
Figure BDA0001846458100000062
表示在(n-1)维球面上对应角
Figure BDA0001846458100000063
的方向向量集，其中k＝1，2，...，K；
S3.2：计算所有方向向量上的瞬时时刻对应映射信号极值点，获得多元包络，根据多元包络获得信号均值，具体为：所有方向向量上的瞬时时刻
Figure BDA0001846458100000064
对应映射信号
Figure BDA0001846458100000065
极值点，l表示极值点位置，其中l∈[1,T]，采用多元样条插值函数插值极值点
Figure BDA0001846458100000066
得到K个多元包络
Figure BDA0001846458100000067
再根据多元包括获得信号均值
Figure BDA0001846458100000068
S3.3：根据输入信号与信号均值之间的差值获得固有模态分量，判断固有模态分量是否满足预设判断准则，如果满足，则将输入信号与固有模态分量的差值作为输入重新执行步骤S3.1，如果不满足，则将固有模态分量作为输入重新执行步骤S3.1，判断所有方向向量的极值点个数是否满足预设条件，如果满足，则输出分解结果，将其作为提取的情绪脑电信号特征。
在具体的实施过程中，对于多通道脑电信号
Figure BDA0001846458100000069
通道信号的离散程度可以由数据的变异系数来表示，其中，N表示通道个数，pi表示第i个通道的能量，
Figure BDA00018464581000000610
表示能量均值，CV表示变异系数。
Figure BDA00018464581000000611
通过v(t)协方差矩阵C的特征值分解得到V＝[v1,v2,...,vn]和对应的特征矩阵Λ＝diag{λ1,λ2,...,λn}，其中，最大特征向量v1总是指向最大方差的方向，也就是数据能量最不平衡的位置，v1的反向向量v2＝-v1指向其相反方向，并且最大特征向量v1的幅度等于相应的特征值λ1。
C＝E{vT(t)v(t)}＝VΛVT(2)
预设条件可以根据实际情况进行设置，例如3个、4个、5个等等。
在一种实施方式中，步骤S3.1具体包括：
步骤S3.1.1：在(n-1)维球面上通过Hammersley序列采样法获得到n维空间的K个方向向量
Figure BDA0001846458100000071
步骤S3.1.2：计算信号v(t)的离散程度d＝1-e-cv，v(t)协方差矩阵的最大特征向量和其v1反向向量v2；
步骤S3.1.3：计算每个方向向量
Figure BDA0001846458100000072
到v1的欧式距离，选择一半的方向向量
Figure BDA0001846458100000073
离v1较近，通过
Figure BDA0001846458100000074
重新定位，选择另一半的方向向量
Figure BDA0001846458100000075
离v2较近，通过
Figure BDA0001846458100000076
重新定位；
步骤S3.1.4：将输入信号v(t)映射到每个方向向量
Figure BDA0001846458100000077
上从而得到空间非均匀映射向量
Figure BDA0001846458100000078
在具体的实施过程中，结合多通道信号的离散程度和最大特征向量可以对均匀映射向量进行重新定位，以此来生成空间非均匀映射向量，结合图4来介绍非均匀采样的多元经验模态分解方法的实现过程：
v(t)为n元输入信号，在n维空间建立K个方向，具体地，在(n-1)维球面上通过Hammersley序列采样法获得到n维空间的K个方向向量
Figure BDA0001846458100000079
也就是均匀采样点集。
(1)根据v(t)对空间K个向量进行重新定位，生成空间非均匀方向向量，
(2)将v(t)映射到K个方向向量上，
(3)映射信号极值的瞬时时刻
Figure BDA0001846458100000081
和极值点
Figure BDA0001846458100000082
得到多元包络
Figure BDA0001846458100000083
(4)根据多元包络，得到均值m(t)；
(5)然后通过h(t)＝v(t)-m(t)得到固有模态分量h(t)，判断h(t)是否满足IMF判断准则，如果满足，则执行第一分支：将v(t)-h(t)作为输入，重新执行步骤(2)，将v(t)映射到K个方向向量上，找到极值点，判断所有方向向量上的极值点个数是否小于3，如果小于，则余量r(t)＝v(t)，分解结束，信号分解为
Figure BDA0001846458100000084
如果不满足，则执行第二分支，将v(t)＝h(t)作为输入，重新执行步骤(2)，将v(t)映射到K个方向向量上，找到极值点，并判断所有方向向量上的极值点个数是否小于3。
其中，在(n-1)维球面上通过Hammersley序列(2D随机采样方式)采样法获得到n维空间的K个方向向量
Figure BDA0001846458100000085
也就是均匀采样点集。采用多元样条插值函数插值极值点
Figure BDA0001846458100000086
得到K个多元包络
Figure BDA0001846458100000087
在一种实施方式中，在步骤S3.3后，所述方法还包括：
选取与每个导联相关系数最大的前4个固有模态分量进行特征提取，提取各阶分量的平均能量、能量百分比和相邻分量的幅值差、左右脑电极对的不对称性、Hjorth参数、Higuchi分形特征作为特征量。
具体来说，由非均匀采样MEMD分解可以得到一系列的IMF分量，各阶IMF分量的频率整体呈现逐渐下降的趋势，表征原始信号在某一特征时间尺度上的频率范围和信号从高频到低频的内在振动特征，以此突出了各频率分量脑电信号的特征。提取所有IMF相关特征会导致特征向量维数变高，冗余特征增加从而导致识别准确率降低。为了解决上述问题，本发明通过计算IMF分量和对应导联信号的相关系数来判断IMF分量的有效性。
Figure BDA0001846458100000088
式中
Figure BDA0001846458100000089
和x(n)分别为IMF信号和原始信号，
Figure BDA00018464581000000810
为相关系数，本文选取与每个导联相关系数最大的前4个IMF分量作为有效固有模态分量。
不同情绪状态下人的脑电信号包含频率成分不同，这样分解得到的同阶IMF分量幅度差异很大，因此提取各阶IMF分量平均能量、能量百分比和相邻IMF分量的幅值差作为特征量。
Figure BDA0001846458100000091
Figure BDA0001846458100000092
Figure BDA0001846458100000093
通过研究表明，情绪唤醒度与脑电的非对称特性有关，在不同情绪状态下，人的左脑和右脑会出现不一样的反应。利用这个特性，选择左右脑电极对的不对称性(asymmetry，ASM)作为特征量。
Figure BDA0001846458100000094
Figure BDA0001846458100000095
Hjorth参数广泛应用于脑电信号分析中，选择各频段的Hjorth参数为特征量，Hjorth参数有3个参数：活动性(activity，HA)，移动性(mobility，HM)，复杂度(complexity，HC)。
Figure BDA0001846458100000096
Figure BDA0001846458100000097
Figure BDA0001846458100000098
由于不同情绪效价状态对应脑电信号分形特征存在不同，将分形理论引入脑电信号的情绪识别中，提取Higuchi分形特征作为脑电维数复杂性特征。
Figure BDA0001846458100000101
Figure BDA0001846458100000102
Figure BDA0001846458100000103
上式中，i为IMF的阶数(1≤i≤4)，m为导联数(1≤m≤8)，n代表起始时间点，k代表时间间隔，int(·)函数表示向下取整，
Figure BDA0001846458100000104
为第m个导联通过分解的第i阶IMF分量，xm(n)为第m个导联的脑电信号。Pi m、Pi/Pm和
Figure BDA0001846458100000105
是第m个导联第i阶IMF分量的能量和其占对应导联能量的比值以和相邻IMF分量的能量差；Pdifi m和Pi m/Pi m+4是左右对应导联的IMF分量的能及量差和能量比；
Figure BDA0001846458100000106
和
Figure BDA0001846458100000107
是第m个导联对应第i阶IMF分量的活动性、移动性和复杂性；
Figure BDA0001846458100000108
为构造的新时间序列，L(k)是时间序列的平均长度，FD则是Higuchi的估计值。
在一种实施方式中，步骤S4具体包括：
步骤S4.1：从原始特征集合Ym中查找出一个评估JF值最优的特征，循环查找，直到已选择的特征数Xk满足起始特征数，其中，JF表示基于几何距离的可分性判据中基于散布矩阵的类别可分性度量，在混合SFFS中，Ym表示具有m个特征的原始特征集合，Xk＝{x1,x2,...,xk}表示中间最好的k个特征集合，k＝1,2,...,l≤m；
步骤S4.2：从Ym-k中查找出一个特征加入Xk直到评估JF值最优，比较加入特征前后的评估JW值判断是否更新特征子集为Xk+1，其中，Ym-k是其余m-k个特征的集合，评估JW值表示支持向量机分类性能的评价准则；
步骤S4.3：从Xk+1查找出对评估JF值影响最小的特征，通过比较剔除该特征前后的评估JW值判断是否从特征子集中删除该特征，最终获得筛选后的特征。
具体来说，评估JF值定义为：基于几何距离的可分性判据中基于散布矩阵的类别可分性度量，类内散布矩阵SW、类间散布矩阵SB、总散布矩阵ST表示为，
Figure BDA0001846458100000111
ST＝SW+SB，其中，(x,y)∈(Rn×y)表示n维特征空间Rn中的一个样本，y＝{1,2,...,M}为样本对应的类别集合，Ni是第i个类别的样本数量，xij表示第i个类别中第j个样本，μi表示第i个类别的均值向量，类内散布矩阵描述紧密度而类间散布矩阵描述分离度，因此JF＝trace[SW -1SB]。
评估JW值定义为：支持向量机分类性能的评价准则，通过特征子集训练SVM模型并优化其内部参数，最后利用测试样本对搭建的模型进行测试，并输出评价准则函数JW。
在混合SFFS中，考虑有m个特征的原始特征集合Ym，找到中间最好的k个特征集合，k＝1,2,...,l≤m，使得评估值最优，令Xk＝{x1,x2,...,xk}是最好的k个特征集合，Ym-k是其余m-k个特征的集合，该方法的不同点在于：评估准则分为两种，其中一种是过滤器方法，也就是基于散布矩阵类别可分性的评价准则JF，另一种是封装器方法，即是支持向量机分类性能的评价准则JW，使用JF来选择加入哪一个新的特征或是剔除哪一个已有的特征，使用JW来判断加入或是剔除特征后特征集合的分类性能是否强于原有的特征集合。
在一种实施方式中，步骤S4.2具体包括：
比较加入特征xk+1前后的评估JW值，如果加入特征xk+1后的评估值大于加入前的评估值，则更新第k+1个特征子集为Xk+1，Xk+1＝Xk+{xk+1}，否则不更新。
在一种实施方式中，步骤S4.3具体包括：
比较剔除特征xr前后的评估JW值，如果剔除特征xr后的评估值大于剔除前的评估值，则删除特征xr，否则保留特征xr。
具体来说，请参见图5，为混合序列浮动前向选择方法的流程图，下面结合图5详细介绍混合序列浮动前向选择方法的实现过程：
令已选择的特征数k＝0，原始特征数目m＝M，起始特征数p，最大目标特征数目n，混合SFFS的具体步骤如下所示。
(1)从原始特征集合Ym中找到一个评估JF值最优的特征xr，使最优特征子集X1＝{xr}，Ym-1＝Ym-{xr}；
(2)循环执行步骤(1)，直到已选择的特征数满足起始特征数，k＝p，m＝M-p；
(3)从Ym-k中找到一个特征xk+1，使xk+1加上Xk的特征集合的评估JF值最优，比较加入特征xk+1前后的评估JW值，如果JW(Xk+{xk+1})＞JW(Xk)，即评估JW值提高，就形成第k+1个特征子集Xk+1，Xk+1＝Xk+{xk+1}，k＝k+1，m＝m-1；
(4)如果k≤p，也就是已选择的特征数不大于起始特征数则直接执行步骤(3)；如果k＞p，找到对评估JF值影响最小的第r个特征xr，比较剔除特征xr前后的评估JW值，如果JW(Xk-{xs})＞JW(Xk)，即评估JW值提高，则执行步骤(5)；如果评估JW值没有提高并且没有达到目标特征数目n，JW(Xk-{xs})≤JW(Xk)，k＜n，则保留特征xr，转而执行步骤(3)；如果评估JW值没有提高并且达到了目标特征数目n，JW(Xk-{xs})≤JW(Xk)，k＝n，则结束特征选择，输出已选择的特征集合Xk。
(5)删除特征xr，Xk′＝Xk+1-{xr}，k＝k-1，m＝m+1，转而执行步骤(3)。
其中，图5中的停止准则即为JW(Xk-{xs})≤JW(Xk)以及k是否等于n，CH指标是JF＝trace[SW -1SB]。
为了更清楚地说明本发明实施例提供的方法，下面通过具体的示例对其中的分类结果和情绪识别结果进行说明，请参见图6和图7，其中，图6为情绪图片诱发实验界面示意图，实验完成后点击实验结果分析，可以获得分类结果，采用本发明提出的特征提取方法效价的分类准确率77.3％，唤醒度的分类准确率为75％。
图7为情绪在线识别界面示意图，在线识别界面和音乐诱发实验界面类似，系统会自动调用信号处理模块完成特征提取，继而调用特征选择和分类模型完成对提取好的特征进行选择和分类，最后识别指令判断后得到的分类结果，根据分类结果以图7所示的半圆表盘和3D头像将当前正负效价和高低唤醒度信息反馈给用户。
本发明提供的方法具有如下优点或者有益技术效果：
针对空间均匀采样的方式不能很好的反映多元脑电信号动态特征的问题，在MEMD算法的基础上，提出自适应选择投影方向的非均匀采样MEMD方法。该方法有效提取了脑电信号特征，提高了情绪脑电信号的分类正确率。针对特征提取过程中存在特征冗余、特征维度高的问题，以SFFS算法作为最优特征集合选入和剔除的搜索策略，结合过滤器和封装器作为最优特征子集的评价准则，提出混合SFFS的特征选择算法来优化特征提取形成的高维向量空间，有效降低特征维度、剔除冗余特征的同时提高了脑电信号的分类正确率。
基于同一发明构思，本申请还提供了与实施例一中基于脑电信号的视听诱发情绪识别方法对应的系统，详见实施例二。
实施例二
本实施例提供了一种基于脑电信号的视听诱发情绪识别系统，请参见图8，该系统包括：
信号采集模块801，用于采集基于视听诱发产生的脑电信号；
预处理模块802，用于通过带通滤波器进行预处理，获得多通道脑电信号；
特征提取模块803，用于对多通道脑电信号进行非均匀采样的多元经验模态分解，并选择有效的固有模态函数提取情绪脑电信号特征；
特征筛选模块804，用于将序列浮动前向选择方法作为选择和删除特征集合的搜索策略，结合过滤器和封装器作为最优特征子集的评价准则，对提取出的情绪脑电信号特征进行筛选；
分类模块805，将筛选出的特征子集输入至预设支持向量机中进行分类，获得分类结果；
情绪识别模块806，用于根据分类结果，获得情绪识别结果。
具体来说，信号采集模块801可以通过基于UE-16B脑电放大器平台来完成，选择14导通道包括前额区(Fp1、Fp2)、额区(F3、F4)、颞叶区(T3、T4、F7、F8)、枕叶区(O1、O2、P3、P4)和顶叶区(C3、C4)。利用UE-16B脑电放大器平台完成脑电信号的简单处理，并将处理后的数据发送至情绪识别模块806，信号采集模块与情绪识别模块之间的数据传输采用的方式是基于用户数据报协议的SOCKET通信方式。信号处理模块包括：预处理模块802、特征提取模块803、特征筛选模块804以及分类模块805，可以通过MATLAB来实现。情绪识别模块可以通过Eclipse平台来实现，包括用户和实验设置、试验流程控制和数据同步控制、指令判断以及识别结果输出。
在一种实现方式中，特征提取模块803具体用于执行下述步骤：
S3.1：计算多维空间的方向向量并对其进行重新定位，将输入信号映射到重定位的方向向量上，其中，多维空间的方向向量为n元序列
Figure BDA0001846458100000141
代表一个n元信号，n维向量的长度为T，
Figure BDA0001846458100000142
表示在(n-1)维球面上对应角
Figure BDA0001846458100000143
的方向向量集，其中k＝1，2，…，K；
S3.2：计算所有方向向量上的瞬时时刻对应映射信号极值点，获得多元包络，根据多元包络获得信号均值，具体为：所有方向向量上的瞬时时刻
Figure BDA0001846458100000144
对应映射信号
Figure BDA0001846458100000145
极值点，l表示极值点位置，其中l∈[1,T]，采用多元样条插值函数插值极值点
Figure BDA0001846458100000146
得到K个多元包络
Figure BDA0001846458100000147
再根据多元包括获得信号均值
Figure BDA0001846458100000148
S3.3：根据输入信号与信号均值之间的差值获得固有模态分量，判断固有模态分量是否满足预设判断准则，如果满足，则将输入信号与固有模态分量的差值作为输入重新执行步骤S3.1，如果不满足，则将固有模态分量作为输入重新执行步骤S3.1，判断所有方向向量的极值点个数是否满足预设条件，如果满足，则输出分解结果，将其作为提取的情绪脑电信号特征。
由于本发明实施例二所介绍的系统，为实施本发明实施例一中基于脑电信号的视听诱发情绪识别所采用的系统，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该系统，的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的系统，都属于本发明所欲保护的范围。
实施例三
基于同一发明构思，本申请还提供了一种计算机可读存储介质900，请参见图9，其上存储有计算机程序911，该程序被执行时实现实施例一中的方法。
由于本发明实施例三所介绍的计算机可读存储介质，为实施本发明实施例一中基于脑电信号的视听诱发情绪识别方法所采用的计算机可读存储介质，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于脑电信号的视听诱发情绪识别方法，其特征在于，包括：
步骤S1：采集基于视听诱发产生的脑电信号，
步骤S2：通过带通滤波器进行预处理，获得多通道脑电信号；
步骤S3：对多通道脑电信号进行非均匀采样的多元经验模态分解，并选择有效的固有模态函数提取情绪脑电信号特征；
步骤S4：将序列浮动前向选择方法作为选择和删除特征集合的搜索策略，结合过滤器和封装器作为最优特征子集的评价准则，对提取出的情绪脑电信号特征进行筛选；
步骤S5：将筛选出的特征子集输入至预设支持向量机中进行分类，获得分类结果；
步骤S6：根据分类结果，获得情绪识别结果；
其中，步骤S4具体包括：
步骤S4.1：从原始特征集合Ym中查找出一个评估JF值最优的特征，循环查找，直到已选择的特征数Xk满足起始特征数，其中，JF表示基于几何距离的可分性判据中基于散布矩阵的类别可分性度量，在混合SFFS中，Ym表示具有m个特征的原始特征集合，Xk＝{x1,x2,...,xk}表示中间最好的k个特征集合，k＝1,2,...,l≤m；
步骤S4.2：从Ym-k中查找出一个特征加入Xk直到评估JF值最优，比较加入特征前后的评估JW值判断是否更新特征子集为Xk+1，其中，Ym-k是其余m-k个特征的集合，评估JW值表示支持向量机分类性能的评价准则；
步骤S4.3：从Xk+1查找出对评估JF值影响最小的特征，通过比较剔除该特征前后的评估JW值判断是否从特征子集中删除该特征，最终获得筛选后的特征。
2.如权利要求1所述的方法，其特征在于，步骤S3具体包括：
S3.1：计算多维空间的方向向量并对其进行重新定位，将输入信号映射到重定位的方向向量上，其中，多维空间的方向向量为n元序列
Figure FDA0002705917360000011
代表一个n元信号，n维向量的长度为T，
Figure FDA0002705917360000021
表示在(n-1)维球面上对应角
Figure FDA0002705917360000022
的方向向量集，其中k＝1,2,…,K；
S3.2：计算所有方向向量上的瞬时时刻对应映射信号极值点，获得多元包络，根据多元包络获得信号均值，具体为：所有方向向量上的瞬时时刻
Figure FDA0002705917360000023
对应映射信号
Figure FDA0002705917360000024
极值点，l表示极值点位置，其中l∈[1,T]，采用多元样条插值函数插值极值点
Figure FDA0002705917360000025
得到K个多元包络
Figure FDA0002705917360000026
再根据多元包括获得信号均值
Figure FDA0002705917360000027
S3.3：根据输入信号与信号均值之间的差值获得固有模态分量，判断固有模态分量是否满足预设判断准则，如果满足，则将输入信号与固有模态分量的差值作为输入重新执行步骤S3.1，如果不满足，则将固有模态分量作为输入重新执行步骤S3.1，判断所有方向向量的极值点个数是否满足预设条件，如果满足，则输出分解结果，将其作为提取的情绪脑电信号特征。
3.如权利要求2所述的方法，其特征在于，步骤S3.1具体包括：
步骤S3.1.1：在(n-1)维球面上通过Hammersley序列采样法获得到n维空间的K个方向向量
Figure FDA0002705917360000028
步骤S3.1.2：计算信号v(t)的离散程度d＝1-e-cv，v(t)协方差矩阵的最大特征向量和其v1反向向量v2；
步骤S3.1.3：计算每个方向向量
Figure FDA0002705917360000029
到v1的欧式距离，选择一半的方向向量
Figure FDA00027059173600000210
离v1较近，通过
Figure FDA00027059173600000211
重新定位，选择另一半的方向向量
Figure FDA00027059173600000212
离v2较近，通过
Figure FDA00027059173600000213
重新定位；
步骤S3.1.4：将输入信号v(t)映射到每个方向向量
Figure FDA00027059173600000214
上从而得到空间非均匀映射向量
Figure FDA00027059173600000215
4.如权利要求2所述的方法，其特征在于，在步骤S3.3后，所述方法还包括：
选取与每个导联相关系数最大的前4个固有模态分量进行特征提取，提取各阶分量的平均能量、能量百分比和相邻分量的幅值差、左右脑电极对的不对称性、Hjorth参数、Higuchi分形特征作为特征量。
5.如权利要求4所述的方法，其特征在于，步骤S4.2具体包括：
比较加入特征xk+1前后的评估JW值，如果加入特征xk+1后的评估值大于加入前的评估值，则更新第k+1个特征子集为Xk+1，Xk+1＝Xk+{xk+1}，否则不更新。
6.如权利要求4所述的方法，其特征在于，步骤S4.3具体包括：
比较剔除特征xr前后的评估JW值，如果剔除特征xr后的评估值大于剔除前的评估值，则删除特征xr，否则保留特征xr。
7.一种基于脑电信号的视听诱发情绪识别系统，其特征在于，包括：
信号采集模块，用于采集基于视听诱发产生的脑电信号；
预处理模块，用于通过带通滤波器进行预处理，获得多通道脑电信号；
特征提取模块，用于对多通道脑电信号进行非均匀采样的多元经验模态分解，并选择有效的固有模态函数提取情绪脑电信号特征；
特征筛选模块，用于将序列浮动前向选择方法作为选择和删除特征集合的搜索策略，结合过滤器和封装器作为最优特征子集的评价准则，对提取出的情绪脑电信号特征进行筛选；
分类模块，将筛选出的特征子集输入至预设支持向量机中进行分类，获得分类结果；
情绪识别模块，用于根据分类结果，获得情绪识别结果；
特征筛选模块具体用于执行下述步骤：
步骤S4.1：从原始特征集合Ym中查找出一个评估JF值最优的特征，循环查找，直到已选择的特征数Xk满足起始特征数，其中，JF表示基于几何距离的可分性判据中基于散布矩阵的类别可分性度量，在混合SFFS中，Ym表示具有m个特征的原始特征集合，Xk＝{x1,x2,...,xk}表示中间最好的k个特征集合，k＝1,2,...,l≤m；
步骤S4.2：从Ym-k中查找出一个特征加入Xk直到评估JF值最优，比较加入特征前后的评估JW值判断是否更新特征子集为Xk+1，其中，Ym-k是其余m-k个特征的集合，评估JW值表示支持向量机分类性能的评价准则；
步骤S4.3：从Xk+1查找出对评估JF值影响最小的特征，通过比较剔除该特征前后的评估JW值判断是否从特征子集中删除该特征，最终获得筛选后的特征。
8.如权利要求7所述的系统，其特征在于，特征提取模块具体用于执行下述步骤：
S3.1：计算多维空间的方向向量并对其进行重新定位，将输入信号映射到重定位的方向向量上，其中，多维空间的方向向量为n元序列
Figure FDA0002705917360000041
代表一个n元信号，n维向量的长度为T，
Figure FDA0002705917360000042
表示在(n-1)维球面上对应角
Figure FDA0002705917360000043
的方向向量集，其中k＝1,2,…,K；
S3.2：计算所有方向向量上的瞬时时刻对应映射信号极值点，获得多元包络，根据多元包络获得信号均值，具体为：所有方向向量上的瞬时时刻
Figure FDA0002705917360000044
对应映射信号
Figure FDA0002705917360000045
极值点，l表示极值点位置，其中l∈[1,T]，采用多元样条插值函数插值极值点
Figure FDA0002705917360000046
得到K个多元包络
Figure FDA0002705917360000047
再根据多元包括获得信号均值
Figure FDA0002705917360000048
S3.3：根据输入信号与信号均值之间的差值获得固有模态分量，判断固有模态分量是否满足预设判断准则，如果满足，则将输入信号与固有模态分量的差值作为输入重新执行步骤S3.1，如果不满足，则将固有模态分量作为输入重新执行步骤S3.1，判断所有方向向量的极值点个数是否满足预设条件，如果满足，则输出分解结果，将其作为提取的情绪脑电信号特征。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序行时实现如权利要求1至6中任一项权利要求所述的方法。
CN201811273387.2A 2018-10-30 2018-10-30 一种基于脑电信号的视听诱发情绪识别方法及系统 Active CN109199414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811273387.2A CN109199414B (zh) 2018-10-30 2018-10-30 一种基于脑电信号的视听诱发情绪识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811273387.2A CN109199414B (zh) 2018-10-30 2018-10-30 一种基于脑电信号的视听诱发情绪识别方法及系统

Publications (2)

Publication Number Publication Date
CN109199414A CN109199414A (zh) 2019-01-15
CN109199414B true CN109199414B (zh) 2020-11-17

Family

ID=64997797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811273387.2A Active CN109199414B (zh) 2018-10-30 2018-10-30 一种基于脑电信号的视听诱发情绪识别方法及系统

Country Status (1)

Country Link
CN (1) CN109199414B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110018739B (zh) * 2019-03-11 2021-06-18 中南大学 一种基于降维机制的脑电信号特征优选方法
CN110070105B (zh) * 2019-03-25 2021-03-02 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
CN110025322A (zh) * 2019-04-11 2019-07-19 辽宁师范大学 基于滤波与集成分类器的多模态生理信号情感分类方法
CN110096673B (zh) * 2019-04-29 2023-03-14 河北工业大学 一种适用于信号分解的emd改进方法
CN110367980A (zh) * 2019-07-10 2019-10-25 南京邮电大学 基于多元经验模态分解的脑电信号情绪识别方法
CN110477914A (zh) * 2019-08-09 2019-11-22 南京邮电大学 基于Android的情绪激励与脑电信号情绪识别系统
CN111126241B (zh) * 2019-12-19 2022-04-22 南京邮电大学 一种基于最优序列特征子集的脑电模式提取方法
CN111466930A (zh) * 2020-04-16 2020-07-31 江西科技学院 一种基于脑电信号的视听诱发情绪识别方法及系统
CN113069117A (zh) * 2021-04-02 2021-07-06 中山大学 一种基于时间卷积神经网络的脑电情绪识别方法及系统
CN113208635B (zh) * 2021-04-29 2022-05-20 山西大学 一种基于对话的情感脑电信号诱发方法
CN113486752B (zh) * 2021-06-29 2023-06-16 吉林大学 基于心电信号的情感识别方法及系统
CN113569924B (zh) * 2021-07-09 2024-03-12 常州大学 一种基于支持向量机多核协作的情绪辨识分类方法
CN114861738B (zh) * 2022-07-05 2022-10-04 武汉理工大学 一种基于脑电溯源和偶极子选择的运动想象分类方法
CN116049639B (zh) * 2023-03-31 2023-06-23 同心智医科技(北京)有限公司 脑电图信号的选择性迁移学习方法、装置及存储介质
CN116211322A (zh) * 2023-03-31 2023-06-06 上海外国语大学 一种基于机器学习脑电信号的抑郁症识别方法和系统
CN116369949B (zh) * 2023-06-06 2023-09-15 南昌航空大学 一种脑电信号分级情绪识别方法、系统、电子设备及介质
CN117158970B (zh) * 2023-09-22 2024-04-09 广东工业大学 一种情绪识别方法、系统、介质及计算机

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107361766A (zh) * 2017-07-17 2017-11-21 中国人民解放军信息工程大学 一种基于emd域多维信息的情绪脑电信号识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7173560B2 (en) * 2003-08-28 2007-02-06 University Of Florida Research Foundation, Inc. Land mine detector
US10835168B2 (en) * 2016-11-15 2020-11-17 Gregory Charles Flickinger Systems and methods for estimating and predicting emotional states and affects and providing real time feedback
CN108056774A (zh) * 2017-12-29 2018-05-22 中国人民解放军战略支援部队信息工程大学 基于视频刺激材料的实验范式情绪分析实现方法及其装置
CN108577866A (zh) * 2018-04-03 2018-09-28 中国地质大学（武汉） 一种多维情感识别与缓解的系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107361766A (zh) * 2017-07-17 2017-11-21 中国人民解放军信息工程大学 一种基于emd域多维信息的情绪脑电信号识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Adaptive-projection intrinsically transformed multivariate empirical mode decomposition in cooperative brain–computer interface applications;Hemakom A 等;《Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences》;20161231;第2节，图1-2 *
Combination of Amplitude and Phase Features under a Uniform Framework with EMD in EEG-based Brain-Computer Interface;He W，等;《Conference proceedings:34th Annual International Conference of the IEEE Engineering in Medicine and Biology Society》;20120901;第1687页、图1 *
Feature Extraction and Selection for Emotion Recognition from EEG;Jenke R , Peer A , Buss M;《IEEE Transactions on Affective Computing》;20140930;第5卷(第3期);第327-339页 *
Multivariate empirical mode decomposition;N, Rehman, D, 等;《Proceedings: Mathematical, Physical and Engineering Sciences》;20091223(第466期);第3节 *

Also Published As

Publication number Publication date
CN109199414A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109199414B (zh) 一种基于脑电信号的视听诱发情绪识别方法及系统
Wang et al. Channel selection method for EEG emotion recognition using normalized mutual information
Nakisa et al. Evolutionary computation algorithms for feature selection of EEG-based emotion recognition using mobile sensors
George et al. Recognition of emotional states using EEG signals based on time-frequency analysis and SVM classifier.
CN107577343B (zh) 一种基于力触觉反馈和脑电信号分析的注意力训练与评价装置
Esfahani et al. Classification of primitive shapes using brain–computer interfaces
CN112932502B (zh) 结合互信息通道选择与混合神经网络的脑电情感识别方法
Esfahani et al. Using brain–computer interfaces to detect human satisfaction in human–robot interaction
CN110353673B (zh) 一种基于标准互信息的脑电通道选择方法
CN112800998B (zh) 融合注意力机制和dmcca的多模态情感识别方法及系统
Chen et al. Emotion recognition of EEG signals based on the ensemble learning method: AdaBoost
CN110367980A (zh) 基于多元经验模态分解的脑电信号情绪识别方法
CN114533086B (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
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
Chu Brain-Computer Interface Technology and Development: The emergence of imprecise brainwave headsets in the commercial world
WO2022183966A1 (zh) 脑电信号分类方法、装置、设备、存储介质及程序产品
CN112488002B (zh) 基于n170的情绪识别方法及识别系统
Mousa et al. A novel brain computer interface based on principle component analysis
Chen et al. Fusing frequency-domain features and brain connectivity features for cross-subject emotion recognition
Lu et al. Combined CNN and LSTM for motor imagery classification
Zancanaro et al. CNN-based approaches for cross-subject classification in motor imagery: From the state-of-the-art to DynamicNet
CN110477914A (zh) 基于Android的情绪激励与脑电信号情绪识别系统
Ogino et al. Semi-supervised learning for auditory event-related potential-based brain–computer interface
Hurtado-Rincon et al. Motor imagery classification using feature relevance analysis: An Emotiv-based BCI system
CN114242202A (zh) 脑卒中手部康复训练方法、装置及系统

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