CN109984759B - 个体情绪信息的获取方法和装置 - Google Patents
个体情绪信息的获取方法和装置 Download PDFInfo
- Publication number
- CN109984759B CN109984759B CN201910196854.4A CN201910196854A CN109984759B CN 109984759 B CN109984759 B CN 109984759B CN 201910196854 A CN201910196854 A CN 201910196854A CN 109984759 B CN109984759 B CN 109984759B
- Authority
- CN
- China
- Prior art keywords
- signal
- time interval
- brain electrical
- electroencephalogram
- electrical signal
- 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
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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6814—Head
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种个体情绪信息的获取方法和装置。所述方法包括：在用户接受外部信息过程中，采集用户的左侧前额的第一脑电信号和右侧前额的第二脑电信号；按照预先设置的时间间隔，对采集得到的第一脑电信号和第二脑电信号进行处理，得到第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值；根据第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算第一脑电信号和第二脑电信号在对应时间间隔内的微分熵；获取第一脑电信号的微分熵和第二脑电信号的微分熵在相同时间间隔内的差值信息；根据第一脑电信号的微分熵和第二脑电信号的微分熵的差值信息，确定用户的前额偏侧化信息，得到个体情绪信息。
Description
技术领域
本发明涉及信息处理领域，尤指一种个体情绪信息的获取方法和装置。
背景技术
在互联网领域，人类使用各种网站、APP(应用程序，Application)、客户端等接收或反馈各种信息。用户对于各类互联网的刺激，所产生的真实感受及体验，是产品经济发展的导向。所以，越来越多的研究者开始关注用户对产品的体验感。尤其是在认知神经领域，研究者对情绪状态的评估、预测和识别有着很强的关注，并尝试通过一些特定的实验研究，分析人们在情绪化反应下的生理变化，从而体现个体对一个产品客观公正的评估；同时，通过一些有效的心理状态测评手段，可以实时的预测个体的不同情绪状态的变化情况，进而对产品进行体验方面的优化和迭代，精准触达用户的需求，提升产品的综合能力。
目前，商业化市场领域，已经逐步开始使用脑电波(Electroencephalogram，EEG)等脑神经科学设备进行商业测评和研究。而情绪就是一个重要的脑电指标。由于情绪的产生是由大脑不同部位的诱发产生的，其中，大脑前额对人的思维活动、情绪体验等行为表现出十分显著的影响。已有研究证明，人类的前额叶皮质层与情绪有着很密切的关系，负责调控情感的触发和感知，对人的思维、情感、认知有着非常重要的作用。因此，借助EEG设备采集个体大脑前额信号，基于脑电信号对个体情绪进行识别，输出脑电的情绪指标是目前技术的发展趋势。
鉴于此，如何利用脑电信号对个体情绪的识别结果得到个体的情绪是亟待解决的问题。
发明内容
为了解决上述技术问题，本发明提供了一种个体情绪信息的获取方法和装置，能够利用脑电信号对个体情绪的识别结果得到个体的情绪。
为了达到本发明目的，本发明提供了一种个体情绪信息的获取方法，包括：
在用户接受外部信息过程中，采集所述用户的左侧前额的第一脑电信号和右侧前额的第二脑电信号；
按照预先设置的时间间隔，对采集得到的第一脑电信号和第二脑电信号进行处理，得到所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值；
根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵；
获取所述第一脑电信号的微分熵和第二脑电信号的微分熵在相同时间间隔内的差值信息；
根据所述第一脑电信号的微分熵和第二脑电信号的微分熵的差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息。
在本发明的一个示例性实施例中，所述按照预先设置的时间间隔，对采集得到的第一脑电信号和第二脑电信号进行处理，得到所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，包括：
从所述第一脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第一beta信号和/或第一gamma信号；按照预先设置的时间间隔，计算第一beta信号和/或第一gamma信号在对应时间间隔内功率谱密度的数值，将所述第一beta信号和/或第一gamma信号在相同时间间隔内的功率谱密度的总和作为第一脑电信号在该时间间隔内的功率谱密度的数值；以及，
从所述第二脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第二beta信号和/或第二gamma信号；按照预先设置的时间间隔，计算第二beta信号和/或第二gamma信号在对应时间间隔内功率谱密度的数值，将所述第二beta信号和/或第二gamma信号在相同时间间隔内的功率谱密度的总和作为第二脑电信号在该时间间隔内的功率谱密度的数值。
在本发明的一个示例性实施例中，所述根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵包括：
分别对所述第一脑电信号的微分熵和所述第二脑电信号的功率谱密度的数值取10的对数，得到所述第一脑电信号对应的第一处理数值和所述第二脑电信号对应的第二处理数值；
根据所述时间间隔的时长和所述第一处理数值，得到所述第一脑电信号在对应时间间隔内的微分熵；以及，根据所述时间间隔的时长和所述第二处理数值，得到所述第二脑电信号在对应时间间隔内的微分熵。
在本发明的一个示例性实施例中，所述根据所述第一脑电信号的微分熵和第二脑电信号的微分熵的差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息，包括：
根据计算得到的微分熵的差值信息，选择差值信息的最大值Pmax和最小值Pmin；
利用所述差值信息的最大值Pmax和最小值Pmin以及当前时间间隔内的微分熵的差值信息，计算得到当前时间间隔内的个体情绪信息。
在本发明的一个示例性实施例中，所述利用所述差值信息的最大值Pmax和最小值Pmin以及当前时间间隔内的微分熵的差值信息，计算得到当前时间间隔内的个体情绪信息，包括：
利用如下计算表达式计算所述个体情绪信息，包括：
其中，Mi为第i个时间间隔内的个体情绪数值，Pi为第i个时间间隔内的微分熵的差值，其中i为正整数。
为了达到本发明目的，本发明提供了一种个体情绪信息的获取装置，包括：
采集模块，用于在用户接受外部信息过程中，采集所述用户的左侧前额的第一脑电信号和右侧前额的第二脑电信号；
处理模块，用于按照预先设置的时间间隔，对采集得到的第一脑电信号和第二脑电信号进行处理，得到所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值；
计算模块，用于根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵；
获取模块，用于获取所述第一脑电信号的微分熵和第二脑电信号的微分熵在相同时间间隔内的差值信息；
确定模块，用于根据所述第一脑电信号的微分熵和第二脑电信号的微分熵的差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息。
在本发明的一个示例性实施例中，所述处理模块包括：
第一处理子模块，用于从所述第一脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第一beta信号和/或第一gamma信号；按照预先设置的时间间隔，计算第一beta信号和/或第一gamma信号在对应时间间隔内功率谱密度的数值，将所述第一beta信号和/或第一gamma信号在相同时间间隔内的功率谱密度的总和作为第一脑电信号在该时间间隔内的功率谱密度的数值；以及，
第二处理子模块，用于从所述第二脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第二beta信号和/或第二gamma信号；按照预先设置的时间间隔，计算第二beta信号和/或第二gamma信号在对应时间间隔内功率谱密度的数值，将所述第二beta信号和/或第二gamma信号在相同时间间隔内的功率谱密度的总和作为第二脑电信号在该时间间隔内的功率谱密度的数值。
在本发明的一个示例性实施例中，所述计算模块包括：
处理单元，用于分别对所述第一脑电信号的微分熵和所述第二脑电信号的功率谱密度的数值取10的对数，得到所述第一脑电信号对应的第一处理数值和所述第二脑电信号对应的第二处理数值；
第一计算单元，用于根据所述时间间隔的时长和所述第一处理数值，得到所述第一脑电信号在对应时间间隔内的微分熵；以及，根据所述时间间隔的时长和所述第二处理数值，得到所述第二脑电信号在对应时间间隔内的微分熵。
在本发明的一个示例性实施例中，所述确定模块包括：
选择单元，用于根据计算得到的微分熵的差值信息，选择差值信息的最大值Pmax和最小值Pmin；
第二计算单元，用于利用所述差值信息的最大值Pmax和最小值Pmin以及当前时间间隔内的微分熵的差值信息，计算得到当前时间间隔内的个体情绪信息。
在本发明的一个示例性实施例中，所述第二计算单元利用如下计算表达式计算所述个体情绪信息，包括：
其中，Mi为第i个时间间隔内的个体情绪数值，Pi为第i个时间间隔内的微分熵的差值，其中i为正整数。
本发明提供的实施例，在用户接受外部信息过程中，采集所述用户的左侧前额的第一脑电信号和右侧前额的第二脑电信号，区分左右侧的信号，并按照预先设置的时间间隔，计算所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，再根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵，体现左右两侧信号的能量的差别，再获取所述第一脑电信号的微分熵和第二脑电信号的微分熵在相同时间间隔内的差值信息，利用差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息，利用左右侧前额活动的微分熵差值来衡量前额偏侧化程度，进而衡量情绪的正负刺激的确定，得到所需的情绪指标，达到获取个体对于刺激物的情绪反应的目的，实现利用脑电信号对个体情绪的识别结果得到个体的情绪的目标。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1为本发明提供的个体情绪信息的获取方法的流程图；
图2为本发明提供的个体情绪信息的获取装置的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本发明提供的个体情绪信息的获取方法的流程图。图1所示方法包括：
步骤101、在用户接受外部信息过程中，采集所述用户的左侧前额的第一脑电信号和右侧前额的第二脑电信号；
在步骤101中，用户接受外部信息的方式可以为使用各种网站、APP、客户端等接收或反馈各种信息；利用脑电信号采集设备分别采集左侧前额和右侧前额的信号，完成脑电信号的收集目的；
步骤102、按照预先设置的时间间隔，对采集得到的第一脑电信号和第二脑电信号进行处理，得到所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值；
在步骤102中，可以设置时间间隔为1秒，以时间间隔为单位，计算每个单位时间内，该脑电信号在该单位时间内率谱密度的平均值，作为该时间间隔的为微分熵的数值；
如果采样过程中发现采集的信号中有缺失的信号点，即未采集到数据的信号点，可以根据在该发生缺失的信号点相邻的n个信号点的数值，确定该发生缺失的信号点的数值；例如，将该发生缺失的信号点前的n个信号点的数值的平均值作为该发生缺失的信号点的数值，其中n为正整数；其中n个采样点的选择可以均选择该缺失点前的n个信号点，或者，可以选择该缺失点后的n个信号点，或者，可以从该缺失点前的选择a个信号点，再从该缺失点前的选择b个信号点，其中a和b的总和为n，其中a和b均为正整数；
步骤103、根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵；
步骤104、获取所述第一脑电信号的微分熵和第二脑电信号的微分熵在相同时间间隔内的差值信息；
步骤105、根据所述第一脑电信号的微分熵和第二脑电信号的微分熵的差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息。
在步骤105中，使用左右侧前额活动的微分熵差值来衡量前额偏侧化程度，进而衡量情绪的变化。
本发明提供的方法实施例，在用户接受外部信息过程中，采集所述用户的左侧前额的第一脑电信号和右侧前额的第二脑电信号，区分左右侧的信号，并按照预先设置的时间间隔，计算所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，再根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵，体现左右两侧信号的能量的差别，再获取所述第一脑电信号的微分熵和第二脑电信号的微分熵在相同时间间隔内的差值信息，利用差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息，利用左右侧前额活动的微分熵差值来衡量前额偏侧化程度，进而衡量情绪的正负刺激的确定，得到所需的情绪指标，达到获取个体对于刺激物的情绪反应的目的，实现利用脑电信号对个体情绪的识别结果得到个体的情绪的目标。
下面对本发明提供的方法作进一步说明：
基于脑电指标确定情绪的技术是一种区分人类对于刺激物的情绪反应，即对于刺激物的趋近、回避的态度，以此来区分对于刺激的正、负情绪。
在本发明提供的一个示例性实施例中，通过脑电设备采集脑电波数据，通过对信号的波段数值进行计算，得出情绪指标，以此测量个体对于刺激物的情绪反应。
脑电信号的波段包括alpha、beta和gamma波段，其中上述三个波段的数值均可用于计算。alpha波段对唤醒状态下的情绪变化解释力一般，beta波段对负向情绪激发更敏感，而gamma波段对正向情绪激发更为敏感，使用beta、gamma两波段进行差值计算。
在本发明提供的一个示例性实施例中，所述按照预先设置的时间间隔，对采集得到的第一脑电信号和第二脑电信号进行处理，得到所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，包括：
从所述第一脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第一beta信号和/或第一gamma信号；按照预先设置的时间间隔，计算第一beta信号和/或第一gamma信号在对应时间间隔内功率谱密度的数值，将所述第一beta信号和/或第一gamma信号在相同时间间隔内的功率谱密度的总和作为第一脑电信号在该时间间隔内的功率谱密度的数值；以及，
从所述第二脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第二beta信号和/或第二gamma信号；按照预先设置的时间间隔，计算第二beta信号和/或第二gamma信号在对应时间间隔内功率谱密度的数值，将所述第二beta信号和/或第二gamma信号在相同时间间隔内的功率谱密度的总和作为第二脑电信号在该时间间隔内的功率谱密度的数值。
在上述示例性实施例中，利用beta信号和/或gamma信号的微分熵来体现脑电信号的强度，去除了alpha波段的影响，减少alpha波段的信号数据对信号整体的冗余影响，从而更加精确地体现个体情绪变化，便后续更加精确地计算情绪数据提供了数据依据。
在本发明提供的一个示例性实施例中，所述根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵包括：
分别对所述第一脑电信号的微分熵和所述第二脑电信号的功率谱密度的数值取10的对数，得到所述第一脑电信号对应的第一处理数值和所述第二脑电信号对应的第二处理数值；
根据所述时间间隔的时长和所述第一处理数值，得到所述第一脑电信号在对应时间间隔内的微分熵；以及，根据所述时间间隔的时长和所述第二处理数值，得到所述第二脑电信号在对应时间间隔内的微分熵。
在上述示例性实施例中，经发明人研究发现，通过对取得的功率谱密度取10的对数后，再进行微分熵的计算，使得微分熵的变化规则随时间成线性变化规则，为后续利用差值进行计算，提供了处理依据。
在本发明提供的一个示例性实施例中，所述根据所述第一脑电信号的微分熵和第二脑电信号的微分熵的差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息，包括：
根据计算得到的微分熵的差值信息，选择差值信息的最大值Pmax和最小值Pmin；
利用所述差值信息的最大值Pmax和最小值Pmin以及当前时间间隔内的微分熵的差值信息，计算得到当前时间间隔内的个体情绪信息。
在上述示例性实施例中，基于计算得到的微分熵的变化为线性规律，利用微分熵的极值计算，来计算某个时间的个体情绪，计算更加准确。
在本发明提供的一个示例性实施例中，所述利用所述差值信息的最大值Pmax和最小值Pmin以及当前时间间隔内的微分熵的差值信息，计算得到当前时间间隔内的个体情绪信息，包括：
利用如下计算表达式计算所述个体情绪信息，包括：
其中，Mi为第i个时间间隔内的个体情绪数值，Pi为第i个时间间隔内的微分熵的差值，其中i为正整数。
下面以本发明提供的应用实例对本发明提供的方法作进一步说明：
基于EEG脑电设备采集的脑电信号，通过对alpha、beta和gamma波段数值进行计算，EEG脑电设备输出脑电数值为LOG10(PSD)，其中PSD表示功率谱密度(Power SpectralDensity,PSD)，各波段脑电讯号的微分熵与脑电数值呈线性关系，可以直接进行加减运算。
信号波段alpha、beta和gamma的数值均可用于计算，经发明人研究发现，其中：
alpha波段对唤醒状态下的情绪变化解释力一般；
beta波段对负向情绪激发更敏感；
gamma波段对正向情绪激发更为敏感；
在本发明应用实例中，将beta、gamma两波段信号作为差值计算所使用的波段。
其中，算术取平均的结果为采样对象的处理结果，包括：在同一物料多样本间可进行算术平均；或者，固定时长切片(1s)，某一视觉区域或某一游戏场景内可进行算术平均；或者，整片或整个页面内可进行算术平均。
在本发明应用实例提供的示例中，如果信号采样中出现缺失值，则使用该缺失值之前的2个数据点的均值来确定该缺失值；如果用户接受的刺激来源为平静视频资源等具有安抚效力的外部信息，可以利用该类型的外部信息创造测量基线，在数值计算过程中，跳过对该外部信息的计算。
本发明应用实例提供的方法，包括如下步骤：
步骤一、在平台中建立项目，并上传图片作为测试物料，发布项目，其中图片所示的应用场景为个体用户通过手机观看手机播放的内容；
步骤二、通过EEG脑电设备，采集被试对项目内刺激物料的脑电信号，通过情绪熵算法，计算被试的情绪熵值；其中情绪熵的获取方式如下：
step1.提取个体用户的脑电信号的左侧beta波段信号Beta2、左侧Gamma波段信号Gamma2、右侧beta波段信号Beta3、右侧beta波段信号Gamma3字段
step2.按照预先设置的计算周期，计算左右侧前额的功率谱密度，根据该功率谱密度计算该计算周期的微分熵，再计算微分熵的差值，其中，计算的表达式为Beta2+Gamma2-Beta3-Gamma3，将得到的差值作为算变量DASMemotion0；
step3.计算DASMemotion0的最大值(DASMemotion0_min)和最小值(DASMemotion0_max)；
step4.利用最大值DASMemotion0_max和最小值DASMemotion0_min，计算时间点DASMemotion0对应的情绪熵；
其中，计算表达式如下：DASMemotion＝
(DASMemotion0-DASMemotion0_min)/(DASMemotion0_min+DASMemotion0_max)；
步骤三、通过计算出各个时间点的情绪熵，对标呈现的刺激物；例如：视频材料；实时计算出个体用户相对于整个视频物料的情绪高点和低点。
本发明应用实例提供的方法，利用左右侧前额活动的微分熵差值来衡量前额偏侧化程度，进而衡量情绪的正负刺激的确定，得到所需的情绪指标，达到获取个体对于刺激物的情绪反应的目的，实现利用脑电信号对个体情绪的识别结果得到个体的情绪的目标。
图2为本发明提供的个体情绪信息的获取装置的结构图。图2所示装置包括：
采集模块201，用于在用户接受外部信息过程中，采集所述用户的左侧前额的第一脑电信号和右侧前额的第二脑电信号；
处理模块202，用于按照预先设置的时间间隔，对采集得到的第一脑电信号和第二脑电信号进行处理，得到所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值；
计算模块203，用于根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵；
获取模块204，用于获取所述第一脑电信号的微分熵和第二脑电信号的微分熵在相同时间间隔内的差值信息；
确定模块205，用于根据所述第一脑电信号的微分熵和第二脑电信号的微分熵的差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息。
在本发明提供的一个示范性实施例中，所述处理模块202包括：
第一处理子模块，用于从所述第一脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第一beta信号和/或第一gamma信号；按照预先设置的时间间隔，计算第一beta信号和/或第一gamma信号在对应时间间隔内功率谱密度的数值，将所述第一beta信号和/或第一gamma信号在相同时间间隔内的功率谱密度的总和作为第一脑电信号在该时间间隔内的功率谱密度的数值；以及，
第二处理子模块，用于从所述第二脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第二beta信号和/或第二gamma信号；按照预先设置的时间间隔，计算第二beta信号和/或第二gamma信号在对应时间间隔内功率谱密度的数值，将所述第二beta信号和/或第二gamma信号在相同时间间隔内的功率谱密度的总和作为第二脑电信号在该时间间隔内的功率谱密度的数值。
在本发明提供的一个示范性实施例中，所述计算模块203包括：
处理单元，用于分别对所述第一脑电信号的微分熵和所述第二脑电信号的功率谱密度的数值取10的对数，得到所述第一脑电信号对应的第一处理数值和所述第二脑电信号对应的第二处理数值；
第一计算单元，用于根据所述时间间隔的时长和所述第一处理数值，得到所述第一脑电信号在对应时间间隔内的微分熵；以及，根据所述时间间隔的时长和所述第二处理数值，得到所述第二脑电信号在对应时间间隔内的微分熵。
在本发明提供的一个示范性实施例中，所述确定模块205包括：
选择单元，用于根据计算得到的微分熵的差值信息，选择差值信息的最大值Pmax和最小值Pmin；
第二计算单元，用于利用所述差值信息的最大值Pmax和最小值Pmin以及当前时间间隔内的微分熵的差值信息，计算得到当前时间间隔内的个体情绪信息。
在本发明提供的一个示范性实施例中，所述第二计算单元利用如下计算表达式计算所述个体情绪信息，包括：
其中，Mi为第i个时间间隔内的个体情绪数值，Pi为第i个时间间隔内的微分熵的差值，其中i为正整数。
本发明提供的装置实施例，在用户接受外部信息过程中，采集所述用户的左侧前额的第一脑电信号和右侧前额的第二脑电信号，区分左右侧的信号，并按照预先设置的时间间隔，计算所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，再根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵，体现左右两侧信号的能量的差别，再获取所述第一脑电信号的微分熵和第二脑电信号的微分熵在相同时间间隔内的差值信息，利用差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息，利用左右侧前额活动的微分熵差值来衡量前额偏侧化程度，进而衡量情绪的正负刺激的确定，得到所需的情绪指标，达到获取个体对于刺激物的情绪反应的目的，实现利用脑电信号对个体情绪的识别结果得到个体的情绪的目标。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
Claims (6)
1.一种个体情绪信息的获取方法，其特征在于，包括：
在用户接受外部信息过程中，采集所述用户的左侧前额的第一脑电信号和右侧前额的第二脑电信号；
按照预先设置的时间间隔，对采集得到的第一脑电信号和第二脑电信号进行处理，得到所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值；
根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵；
获取所述第一脑电信号的微分熵和第二脑电信号的微分熵在相同时间间隔内的差值信息；
根据所述第一脑电信号的微分熵和第二脑电信号的微分熵的差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息；
所述根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵包括：
分别对所述第一脑电信号的功率谱密度和所述第二脑电信号的功率谱密度的数值取10的对数，得到所述第一脑电信号对应的第一处理数值和所述第二脑电信号对应的第二处理数值；
根据所述时间间隔的时长和所述第一处理数值，得到所述第一脑电信号在对应时间间隔内的微分熵；以及，根据所述时间间隔的时长和所述第二处理数值，得到所述第二脑电信号在对应时间间隔内的微分熵，其中所述微分熵随时间成线性变化规则；
所述根据所述第一脑电信号的微分熵和第二脑电信号的微分熵的差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息，包括：
根据计算得到的微分熵的差值信息，选择差值信息的最大值Pmax和最小值Pmin；
基于所述微分熵的差值信息随时间成线性变化规则的特性，利用所述差值信息的最大值Pmax和最小值Pmin以及当前时间间隔内的微分熵的差值信息，计算得到当前时间间隔内的个体情绪信息。
2.根据权利要求1所述的方法，其特征在于，所述按照预先设置的时间间隔，对采集得到的第一脑电信号和第二脑电信号进行处理，得到所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，包括：
从所述第一脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第一beta信号和/或第一gamma信号；按照预先设置的时间间隔，计算第一beta信号和/或第一gamma信号在对应时间间隔内功率谱密度的数值，将所述第一beta信号和/或第一gamma信号在相同时间间隔内的功率谱密度的总和作为第一脑电信号在该时间间隔内的功率谱密度的数值；以及，
从所述第二脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第二beta信号和/或第二gamma信号；按照预先设置的时间间隔，计算第二beta信号和/或第二gamma信号在对应时间间隔内功率谱密度的数值，将所述第二beta信号和/或第二gamma信号在相同时间间隔内的功率谱密度的总和作为第二脑电信号在该时间间隔内的功率谱密度的数值。
3.根据权利要求1所述的方法，其特征在于，所述利用所述差值信息的最大值Pmax和最小值Pmin以及当前时间间隔内的微分熵的差值信息，计算得到当前时间间隔内的个体情绪信息，包括：
利用如下计算表达式计算所述个体情绪信息，包括：
其中，Mi为第i个时间间隔内的个体情绪数值，Pi为第i个时间间隔内的微分熵的差值，其中i为正整数。
4.一种个体情绪信息的获取装置，其特征在于，包括：
采集模块，用于在用户接受外部信息过程中，采集所述用户的左侧前额的第一脑电信号和右侧前额的第二脑电信号；
处理模块，用于按照预先设置的时间间隔，对采集得到的第一脑电信号和第二脑电信号进行处理，得到所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值；
计算模块，用于根据所述第一脑电信号和第二脑电信号在对应时间间隔内功率谱密度的数值，计算所述第一脑电信号和第二脑电信号在对应时间间隔内的微分熵；
获取模块，用于获取所述第一脑电信号的微分熵和第二脑电信号的微分熵在相同时间间隔内的差值信息；
确定模块，用于根据所述第一脑电信号的微分熵和第二脑电信号的微分熵的差值信息，确定所述用户的前额偏侧化信息，得到所述个体情绪信息；
所述计算模块包括：
处理单元，用于分别对所述第一脑电信号的微分熵和所述第二脑电信号的功率谱密度的数值取10的对数，得到所述第一脑电信号对应的第一处理数值和所述第二脑电信号对应的第二处理数值；
第一计算单元，用于根据所述时间间隔的时长和所述第一处理数值，得到所述第一脑电信号在对应时间间隔内的微分熵；以及，根据所述时间间隔的时长和所述第二处理数值，得到所述第二脑电信号在对应时间间隔内的微分熵，其中所述微分熵随时间成线性变化规则；
所述确定模块包括：
选择单元，用于根据计算得到的微分熵的差值信息，选择差值信息的最大值Pmax和最小值Pmin；
第二计算单元，用于基于所述微分熵的差值信息随时间成线性变化规则的特性，利用所述差值信息的最大值Pmax和最小值Pmin以及当前时间间隔内的微分熵的差值信息，计算得到当前时间间隔内的个体情绪信息。
5.根据权利要求4所述的装置，其特征在于，所述处理模块包括：
第一处理子模块，用于从所述第一脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第一beta信号和/或第一gamma信号；按照预先设置的时间间隔，计算第一beta信号和/或第一gamma信号在对应时间间隔内功率谱密度的数值，将所述第一beta信号和/或第一gamma信号在相同时间间隔内的功率谱密度的总和作为第一脑电信号在该时间间隔内的功率谱密度的数值；以及，
第二处理子模块，用于从所述第二脑电信号中选择脑电信号的波段为beta和/或gamma波段的信号，得到第二beta信号和/或第二gamma信号；按照预先设置的时间间隔，计算第二beta信号和/或第二gamma信号在对应时间间隔内功率谱密度的数值，将所述第二beta信号和/或第二gamma信号在相同时间间隔内的功率谱密度的总和作为第二脑电信号在该时间间隔内的功率谱密度的数值。
6.根据权利要求4所述的装置，其特征在于，所述第二计算单元利用如下计算表达式计算所述个体情绪信息，包括：
其中，Mi为第i个时间间隔内的个体情绪数值，Pi为第i个时间间隔内的微分熵的差值，其中i为正整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910196854.4A CN109984759B (zh) | 2019-03-15 | 2019-03-15 | 个体情绪信息的获取方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910196854.4A CN109984759B (zh) | 2019-03-15 | 2019-03-15 | 个体情绪信息的获取方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109984759A CN109984759A (zh) | 2019-07-09 |
| CN109984759B true CN109984759B (zh) | 2023-04-07 |
Family
ID=67129663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910196854.4A Active CN109984759B (zh) | 2019-03-15 | 2019-03-15 | 个体情绪信息的获取方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109984759B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298712A (zh) * | 2019-08-01 | 2019-10-01 | 秒针信息技术有限公司 | 一种获取用户投入度的方法及装置 |
| CN110414856B (zh) * | 2019-08-01 | 2022-05-17 | 秒针信息技术有限公司 | 一种评估营销信息设计质量的方法及装置 |
| CN110432915B (zh) * | 2019-08-02 | 2022-03-25 | 秒针信息技术有限公司 | 一种评估信息流创意的方法及装置 |
| CN110960233B (zh) * | 2019-11-21 | 2022-12-06 | 北京华脑技术发展有限公司 | 一种基于脑电波的抑郁状态检测方法及系统 |
| CN110897648A (zh) * | 2019-12-16 | 2020-03-24 | 南京医科大学 | 基于脑电信号与lstm神经网络模型的情绪识别分类方法 |
| CN111012340A (zh) * | 2020-01-07 | 2020-04-17 | 南京邮电大学 | 一种基于多层感知机的情绪分类方法 |
| CN111611860B (zh) * | 2020-04-22 | 2022-06-28 | 西南大学 | 一种微表情发生检测方法及检测系统 |
| WO2022116155A1 (zh) * | 2020-12-04 | 2022-06-09 | 中国科学院深圳先进技术研究院 | 情绪加工倾向的确定方法及相关产品 |
| CN113208594A (zh) * | 2021-05-12 | 2021-08-06 | 海南热带海洋学院 | 一种基于脑电信号时空功率谱图的情绪特征表示方法 |
| CN114391854A (zh) * | 2022-02-16 | 2022-04-26 | 北京脑陆科技有限公司 | 基于偏侧化指数的脑电信号处理装置、方法及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106730812A (zh) * | 2016-11-30 | 2017-05-31 | 吉林大学 | 一种基于多生理参数情绪量估的游戏调控系统及调控方法 |
| KR101808956B1 (ko) * | 2016-09-05 | 2017-12-14 | 성균관대학교산학협력단 | 대인 감성 평가 시스템 및 대인 감성 평가 정보를 수집하고 이용하는 방법 |
| CN107644682A (zh) * | 2017-09-22 | 2018-01-30 | 天津大学 | 基于额叶eeg偏侧化和erp的情绪调节能力测查方法 |
-
2019
- 2019-03-15 CN CN201910196854.4A patent/CN109984759B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101808956B1 (ko) * | 2016-09-05 | 2017-12-14 | 성균관대학교산학협력단 | 대인 감성 평가 시스템 및 대인 감성 평가 정보를 수집하고 이용하는 방법 |
| CN106730812A (zh) * | 2016-11-30 | 2017-05-31 | 吉林大学 | 一种基于多生理参数情绪量估的游戏调控系统及调控方法 |
| CN107644682A (zh) * | 2017-09-22 | 2018-01-30 | 天津大学 | 基于额叶eeg偏侧化和erp的情绪调节能力测查方法 |
Non-Patent Citations (3)
| Title |
|---|
| Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks;Wei-Long Zheng et.al.;《IEEE TRANSACTIONS ON AUTONOMOUS MENTAL DEVELOPMENT》;20150930;第7卷(第3期);第162-175页 * |
| Wei-Long Zheng et.al..Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks.《IEEE TRANSACTIONS ON AUTONOMOUS MENTAL DEVELOPMENT》.2015,第7卷(第3期),第162-175页. * |
| 基于脑电信号的情绪特征提取与分类;柳长源;《传感技术学报》;20190131;第32卷(第1期);第82-88页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109984759A (zh) | 2019-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109984759B (zh) | 个体情绪信息的获取方法和装置 | |
| Santamaria-Granados et al. | Using deep convolutional neural network for emotion detection on a physiological signals dataset (AMIGOS) | |
| Kononowicz et al. | Temporal metacognition as the decoding of self-generated brain dynamics | |
| George et al. | Recognition of emotional states using EEG signals based on time-frequency analysis and SVM classifier. | |
| 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 | |
| Kroupi et al. | EEG correlates of different emotional states elicited during watching music videos | |
| US10448829B2 (en) | Biological rhythm disturbance degree calculating device, biological rhythm disturbance degree calculating system, and biological rhythm disturbance degree calculating method | |
| Goshvarpour et al. | Indices from lagged poincare plots of heart rate variability: an efficient nonlinear tool for emotion discrimination | |
| Xu et al. | Emotion recognition using frontal EEG in VR affective scenes | |
| KR20170061317A (ko) | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 | |
| Wang et al. | Eeg-based real-time drowsiness detection using hilbert-huang transform | |
| KR20150029969A (ko) | 뇌파 측정을 이용한 감성상태 분류 방법 | |
| Cleatus et al. | Epileptic seizure detection using spectral transformation and convolutional neural networks | |
| Huang | Recognition of psychological emotion by EEG features | |
| Avdakovic et al. | Diagnosis of epilepsy from EEG signals using global wavelet power spectrum | |
| EP3182892B1 (en) | Method and system for eeg signal processing | |
| Pursche et al. | Using the Hilbert-Huang transform to increase the robustness of video based remote heart-rate measurement from human faces | |
| Pawar et al. | Diagnosis of epileptic seizure a neurological disorder by implementation of discrete wavelet transform using electroencephalography | |
| Nawas et al. | K-NN classification of brain dominance | |
| Vesselenyi et al. | Vehicle driver drowsiness monitoring and warning system | |
| CHOWDHURI et al. | Concentration level detection for left/right brain dominance using electroencephalogram signal | |
| Chen et al. | A new algorithm for classification of ictal and pre-ictal epilepsy ECoG using MI and SVM | |
| KR20180099984A (ko) | 다중 신경생리신호 기반 사용자 간 상호작용 모니터링 장치 및 방법 | |
| Chen et al. | Epileptic EEG visualization and sonification based on linear discriminate analysis | |
| Pakistan | Canonical correlation analysis and neural network (CCA-NN) based method to detect epileptic seizures from EEG signals |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210127 Address after: Room 2020, 2 / F, building 27, No. 25, North Third Ring Road West, Haidian District, Beijing 100089 Applicant after: Beijing minglue Zhaohui Technology Co.,Ltd. Address before: 100012 Room 302, block B, Ruipu building, No.15, Hongjunying South Road, Beiyuan, Chaoyang District, Beijing Applicant before: BEIJING XINSIGHT TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |