CN111134667A - 基于脑电信号的时间迁移情绪识别方法及系统 - Google Patents

Abstract

本发明属于脑电数据识别技术领域，特别涉及一种基于脑电信号的时间迁移情绪识别方法，包含：对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；将预处理后的脑电数据信号划分为多个频段，提取多个频段内的情绪脑电特征；通过支持向量机分类器和后向特征筛选算法挑选出稳定情绪脑电特征；构建多分类渐进直推式支持向量机分类器，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；用稳定情绪脑电特征对构建的分类器进行训练；针对待分类情绪脑电信号，通过训练后的分类器实现基于脑电信号的时间迁移情绪识别。本发明能够提升时间迁移情绪识别效率和准确度，具有较好实际应用价值。

Description

基于脑电信号的时间迁移情绪识别方法及系统

技术领域

本发明属于脑电数据识别技术领域，特别涉及一种基于脑电信号的时间迁移情绪识别方法及系统。

背景技术

情绪是人对外界或自身刺激的生理和心理反应，对我们的工作生活有着重要的影响。在人机交互过程中准确地识别使用者的情绪，可提高人机交互体验和机器的智能化水平。脑电是伴随着大脑神经活动而产生的电信号，人的不同情绪状态可以通过脑电信号的变化反映出来。同时脑电信号具有获取方便、时间分辨率高、不可伪装的特点，基于脑电的情绪识别在脑机接口等领域得到广泛应用。

在基于脑电信号的情绪识别的现实应用中，基于之前采集的情绪脑电信号提供的先验信息，对当前采集的脑电信号进行分类，从而实现时间迁移情绪识别。但是由于人的基线情绪，饮食，体温等其他不可控因素的变化会造成情绪脑电信号的非平稳性，即同一名被试先前实验中采集的脑电信号的情绪特征与当前实验中采集的脑电信号的情绪特征分布差异较大，实验者在进行不同天的情绪识别时效果较差。当前针对基于脑电信号的时间迁移情绪识别问题主要有两大解决思路，第一种即找出稳定的不随时间变化的情绪脑电特征，进而提高识别准确率，但是该种方法具有两个问题即(1)现有研究并未对常用的情绪脑电特征的时间迁移稳定性进行系统探究；(2)仅根据挑选出的稳定的情绪特征进行情绪识别准确率不高。第二种解决思路是设计出具有时间迁移特性的分类器，提高时间迁移情绪识别结果，该方法虽然能够在一定程度上解决不同次实验采集的情绪脑电信号的差异问题，但是迁移性分类器不能预先对稳定的特征进行挑选，而冗余的特征会降低分类效果。现有研究基于脑电的时间迁移情绪识别的方法并未将稳定的情绪脑电特征选择和具有迁移性的分类器设计进行结合。如果能够从常用的情绪识别脑电特征中选择出稳定的不随时间变化的特征，再用具有迁移分类效果的分类器对挑选出的稳定情绪脑电特征进行分类，将有效提高时间迁移情绪识别准确率，对现实应用中研发具有实时情绪识别功能的脑机接口设备具有重要意义。

发明内容

为此，本发明提供一种基于脑电信号的时间迁移情绪识别方法及系统，将稳定的情绪脑电特征筛选和具有时间迁移性能分类器相结合实现目标对象的时间迁移情绪识别，进一步提升识别效率和准确率。

按照本发明所提供的设计方案，提出一种基于脑电信号的时间迁移情绪识别方法，包含：

针对目标对象，对其情绪图片的原始脑电信号进行分段，并提取预设时间段内情绪图片呈现的情绪脑电数据，对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；

将预处理后的脑电数据信号划分为多个频段，从时域、频域、时频域及脑电网络属性中提取该多个频段内的情绪脑电特征；针对提取的情绪脑电特征，通过支持向量机分类器进行情绪分类，从中挑选出稳定情绪脑电特征；

构建用于通过迭代进行训练测试的多分类渐进直推式支持向量机分类器，该多分类渐进直推式支持向量机分类器包含多分类条件下的区域标注和标签重置过程，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；

利用稳定情绪脑电特征对多分类渐进直推式支持向量机分类器训练学习；针对目标对象待分类的情绪脑电信号，利用训练学习后的多分类渐进直推式支持向量机分类器进行分类，以实现基于脑电信号的时间迁移情绪识别。

作为本发明中时间迁移情绪识别方法，进一步地，利用快速独立分量分析Fastica算法去除眨眼伪迹；通过切比雪夫滤波器进行带通滤波处理，以去除数据信号中大于设定幅值的数据段。

作为本发明中时间迁移情绪识别方法，进一步地，将脑电数据信号划分为5个频段，该5个频段依次为4-8Hz、8-13Hz、13-30Hz、30-50Hz及50-80Hz；提取该5个频段内的能量特征、微分熵特征、脑电网络属性及时域分形维数特征。

作为本发明中时间迁移情绪识别方法，进一步地，所述脑电网络属性包含聚类系数、特征路径长度、局部效率及全局效率。

作为本发明中时间迁移情绪识别方法，进一步地，通过支持向量机分类器并利用基于后向特征选择算法，从提取的情绪脑电特征中筛选出稳定情绪脑电特征。

作为本发明中时间迁移情绪识别方法，进一步地，稳定情绪脑电特征筛选，包含如下内容：首先，将提取的情绪脑电特征送入支持向量机分类器中进行单次实验情绪分类，然后，在基于支持向量机分类器进行时间迁移情绪脑电分类的迭代过程中，每次迭代去掉一维特征，以实现根据分类结果进行特征筛选，并根据分类准确率降低程度对所有情绪脑电特征进行排序，选取时间迁移分类中稳定情绪脑电特征。

作为本发明中时间迁移情绪识别方法，进一步地，区域标注根据支持向量机分类器分类用决策函数值绝对值之和的大小衡量无标签样本正确标注的置信度，通过设定阈值在相应区域内标注多个正确样本；并在下一个迭代过程中，针对支持向量机分类器预测标签和多分类区域内标注标签不一致情形，通过标签重置将标注标签重置为无标签样本。

作为本发明中时间迁移情绪识别方法，进一步地，针对多分类渐进直推式支持向量机分类器区域标注过程中，引入K近邻算法对标注样本进行筛选修正。

作为本发明中时间迁移情绪识别方法，进一步地，通过计算新标注样本与当前训练集中所有样本的距离，根据距离判决新标注样本类别，若判定该新标注样本类别与区域标注所标注的样本类别一致，则通过设定阈值筛选出K近邻范围内的正确标注样本。

进一步地，本发明还提供一种基于脑电信号的时间迁移情绪识别系统，包含：数据预处理模块、数据筛选模块、模型构建模块和训练识别模块，其中，

数据预处理模块，用于针对目标对象，对其情绪图片的原始脑电信号进行分段，并提取预设时间段内情绪图片呈现的情绪脑电数据，对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；

数据筛选模块，用于将预处理后的脑电数据信号划分为多个频段，从时域、频域、时频域及脑电网络属性中提取该多个频段内的情绪脑电特征；针对提取的情绪脑电特征，通过支持向量机分类器进行情绪分类，从中挑选出稳定情绪脑电特征；

模型构建模块，用于构建用于通过迭代进行训练测试的多分类渐进直推式支持向量机分类器，该多分类渐进直推式支持向量机分类器包含多分类条件下的区域标注和标签重置过程，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；

训练识别模块，用于利用稳定情绪脑电特征对多分类渐进直推式支持向量机分类器训练学习；针对目标对象待分类的情绪脑电信号，利用训练学习后的多分类渐进直推式支持向量机分类器进行分类，以实现基于脑电信号的时间迁移情绪识别。

本发明的有益效果：

本发明针对现实应用中由于脑电信号的非平稳性引起的时间迁移情绪识别效果较差等问题，将稳定的情绪脑电特征筛选和具有时间迁移性能的分类器相结合进行目标对象的时间迁移情绪识别；并针对现有的情绪脑电特征的稳定性不好，分类效果较差的问题，通过使用后向特征选择和SVM分类器相结合的稳定情绪特征筛选，从多种特征中挑选出部分分类性能好的特征组成融合特征，并进一步对融合特征进行降维获取稳定的情绪脑电特征，基于挑选出的特征进行识别，使得时间迁移情绪分类准确率能够提高6％左右。并针对于现有渐进直推式分类模型只适用于二分类的问题，通过构建多分类渐进直推式支持向量机分类模型，使用决策函数值的绝对值之和进行多分类条件下的无标签样本标注，并使用K近邻算法提高标注样本的置信度；基于挑选出的稳定的情绪脑电特征，该多分类渐进直推式支持向量机分类器模型在数据集上对正中负三种情绪的时间迁移平均分类准确率可以达到63.53％左右。通过实际数据结果，能够证明本案技术方案中的分类器模型可有效解决基于脑电的时间迁移分类问题，具有较好的实际应用价值。

附图说明：

图1为实施例中时间迁移情绪识别流程示意图；

图2为实施例中时间迁移情绪识别流程实现原理图；

图3为实施例中不同情绪脑电特征在同一次实验数据中的分类性能示意；

图4为实施例中挑选出的不同维度的情绪脑电特征的时间迁移分类正确率示意；

图5为实施例中挑选出的稳定的情绪脑电特征分布脑电地形图示意；

图6为实施例中不同的分类算法的分类正确率示意

图7为实施例中实验范式流程示意。

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，下面结合附图和技术方案对本发明作进一步详细的说明。

现有研究基于脑电的时间迁移情绪识别的方法并未将稳定的情绪脑电特征选择和具有迁移性的分类器设计进行结合。如果能够从常用的情绪识别脑电特征中选择出稳定的不随时间变化的特征，再用具有迁移分类效果的分类器对挑选出的稳定情绪脑电特征进行分类，以提高时间迁移情绪识别准确率。基于以上，本发明实施例，参见图1所示，提供一种基于脑电信号的时间迁移情绪识别方法，包含：

S101)针对目标对象，对其情绪图片的原始脑电信号进行分段，并提取预设时间段内情绪图片呈现的情绪脑电数据，对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；

S102)将预处理后的脑电数据信号划分为多个频段，从时域、频域、时频域及脑电网络属性中提取该多个频段内的情绪脑电特征；针对提取的情绪脑电特征，通过支持向量机分类器进行情绪分类，从中挑选出稳定情绪脑电特征；

S103)构建用于通过迭代进行训练测试的多分类渐进直推式支持向量机分类器，该多分类渐进直推式支持向量机分类器包含多分类条件下的区域标注和标签重置过程，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；

S104)利用稳定情绪脑电特征对多分类渐进直推式支持向量机分类器训练学习；针对目标对象待分类的情绪脑电信号，利用训练学习后的多分类渐进直推式支持向量机分类器进行分类，以实现基于脑电信号的时间迁移情绪识别。

将稳定的情绪脑电特征筛选和具有时间迁移性能的分类器相结合进行目标对象的时间迁移情绪识别，参见图2所示，可总共分为4个数据处理步骤。第一步情绪脑电数据预处理，可提取情绪图片呈现过程的脑电数据，进行基线校、重参考等处理，并进行低通滤波；第二步特征提取，从时域、频域、时频域以及脑电网络属性中提取多种情绪脑电特征，可将频域划分为5个频段，共计提取其中31种常用的情绪脑电特征；第三步，挑选稳定的情绪脑电特征。第四步通过多分类渐进直推式支持向量机分类器对挑选出的稳定的情绪脑电特征进行时间迁移情绪识别。

独立成分分析(Independent Component Analysis，ICA)是一种非常有效的数据分析工具，用来从混合数据中提取出原始的独立信号，常用作信号分离的有效方法。快速ICA算法(FastICA)，是基于定点递推算法得到，对任何类型的数据都适用，一般通过三步完成：首先，对观测信号去均值；然后，对去均值后的观测信号白化处理；前两步可以看成是对观测信号的预处理，通过去均值和白化可以简化ICA算法。作为本发明实施例中的时间迁移情绪识别方法，进一步地，利用快速独立分量分析Fastica算法去除眨眼伪迹；通过切比雪夫滤波器进行带通滤波处理，以去除数据信号中大于设定幅值的数据段。实施例中，可使用切比雪夫滤波器进行0.1-80hz的带通滤波，以去除数据中幅值大于100微伏的数据段。

作为本发明实施例中的时间迁移情绪识别方法，进一步地，为了提取不同频段的特征，可将情绪脑电信号划分为5个频段即theta(4-8Hz)，alpha(8-13Hz)，beta(13-30Hz)，low-gamma(30-50Hz)，high-gamma(50-80Hz)，然后提取了5个频带范围内的能量特征，5个频带范围内的微分熵特征，5个频带内的4种脑电网络属性，即聚类系数，特征路径长度，局部效率，全局效率，此外还提取了时域的分形维数特征，共计31种常用的情绪脑电特征。

作为本发明实施例中的时间迁移情绪识别方法，进一步地，通过支持向量机分类器并利用基于后向特征选择算法，从提取的情绪脑电特征中筛选出稳定情绪脑电特征。

作为本发明实施例中的时间迁移情绪识别方法，进一步地，稳定情绪脑电特征筛选，包含如下内容：首先，将提取的情绪脑电特征送入支持向量机分类器中进行单次实验情绪分类，然后，在基于支持向量机分类器进行时间迁移情绪脑电分类的迭代过程中，每次迭代去掉一维特征，以实现根据分类结果进行特征筛选，若分类准确率降低则说明该维特征对于分类较为关键，根据分类准确率降低程度对所有情绪脑电特征进行排序，选取时间迁移分类中稳定情绪脑电特征。

作为本发明实施例中的时间迁移情绪识别方法，进一步地，区域标注根据支持向量机分类器分类用决策函数值绝对值之和的大小衡量无标签样本正确标注的置信度，通过设定阈值在相应区域内标注多个正确样本；并在下一个迭代过程中，针对支持向量机分类器预测标签和多分类区域内标注标签不一致情形，通过标签重置将标注标签重置为无标签样本。

作为本发明实施例中的时间迁移情绪识别方法，进一步地，针对多分类渐进直推式支持向量机分类器区域标注过程中，引入K近邻算法对标注样本进行筛选修正。进一步地，通过计算新标注样本与当前训练集中所有样本的距离，根据距离判决新标注样本类别，若判定该新标注样本类别与区域标注所标注的样本类别一致，则通过设定阈值筛选出K近邻范围内的正确标注样本。

针对现有的渐进直推式支持向量机仅能解决二分类情况下的迁移分类问题，实施例中通过构建多分类渐进直推式支持向量机分类器模型，并设置多分类条件下的“区域标注”和“标签重置”过程，多分类条件下的“区域标注法”即根据支持向量机的分类原理，用决策函数值的绝对值之和的大小来衡量对无标签样本正确标注的置信度，绝对值之和越大，标注正确的置信度越高，区域标注法即通过设定阈值在绝对值之和的最大值附近的一定区域内标注多个样本。由于区域标注法每次标注多个样本，虽然提高了标注效率，但同时也增加了误标的概率。为了降低误标的可能性，可引入了K近邻算法对区域标注法标注的样本进行筛选，即计算新标注样本与当前训练集中所有样本的距离，根据距离来判决该样本的类别，若K近邻判决的类别与区域标注法标注类别一致则该样本的标注正确的可能性较大，并通过设定阈值筛选出K近邻范围内的正确标注样本。“标签重置”即对某一个已经标注的无标签样本，若分类器的预测标签与多分类区域标注法标注的标签不一致，则将该样本重置为无标签样本。通过迭代过程，对待分类的无标签情绪脑电样本进行分类，从而实现基于脑电的时间迁移情绪识别。

进一步地，本发明实施例还提供一种基于脑电信号的时间迁移情绪识别系统，包含：数据预处理模块、数据筛选模块、模型构建模块和训练识别模块，其中，

数据预处理模块，用于针对目标对象，对其情绪图片的原始脑电信号进行分段，并提取预设时间段内情绪图片呈现的情绪脑电数据，对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；

数据筛选模块，用于将预处理后的脑电数据信号划分为多个频段，从时域、频域、时频域及脑电网络属性中提取该多个频段内的情绪脑电特征；针对提取的情绪脑电特征，通过支持向量机分类器进行情绪分类，从中挑选出稳定情绪脑电特征；

模型构建模块，用于构建用于通过迭代进行训练测试的多分类渐进直推式支持向量机分类器，该多分类渐进直推式支持向量机分类器包含多分类条件下的区域标注和标签重置过程，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；

训练识别模块，用于利用稳定情绪脑电特征对多分类渐进直推式支持向量机分类器训练学习；针对目标对象待分类的情绪脑电信号，利用训练学习后的多分类渐进直推式支持向量机分类器进行分类，以实现基于脑电信号的时间迁移情绪识别。

为验证本发明实施例中技术方案有效性，基于以上并结合具体实例做进一步解释说明：

进一步，集合实验素材对本发明技术方案有效性做进一步验证：

本实验的实验材料来自于中国情绪图片库(Chinese Affective PictureSystem,CAPS)。根据情绪图片库的标准效价和唤醒度可从CAPS中选取三类图片：内容包括可爱的中国小朋友或者鲜花等的高效价高唤醒的正性图片，内容包括普通中国建筑物或者家庭用品等的中效价中唤醒的中性图片，内容包括蛇或者战争场景等的低效价高唤醒的负性图片，每类图片各180张。图片的平均效价为：正性(M＝6.85，SD＝0.44)，中性(M＝5.38，SD＝0.29)，负性(M＝2.63，SD＝0.46)，图片的平均唤醒度为：正性(M＝5.96，SD＝0.44)，中性(M＝4.41，SD＝0.39)，负性(M＝5.05，SD＝0.49)。

实验是在具备电磁屏蔽条件，温度及光线适宜的专业实验间中进行的，实验中被试坐在舒适的椅子上，距离正前方的显示器约70cm，显示器尺寸为23英寸，刷新频率为60Hz。脑电数据采集使用奥地利g.tec脑电公司的62通道g.HIamp系统。实验过程中各导联的阻抗均保持在5K欧以下，采样率为512Hz，电极位置按照国际10-20标准安放，Fz导联和右耳垂均作为参考，最终有效电极数为61导。采集过程中对各导联数据做在线0.1-100Hz带通滤波和50Hz陷波。

整个实验分三次完成，因此，每名被试采集三次脑电数据，第一次和第二次实验可间隔3天，第二次和第三次实验可间隔一周。为了尽可能消除不同时间段人体生物钟的影响，三次实验在相同的时间段进行。每次实验的实验范式如图7所示。每次实验包括9个block，每个block包含20个trial。每个trial首先在屏幕中央呈现2-4s随机时间的黑底白色十字注视点，之后呈现5s的情绪图片，紧接着进行SAM量表评分，评分结束进入下一个trial。为消除相邻block之间的影响，每个block结束后休息2min。9个block播放顺序随机但相邻block的图片类型不同，每个block内图片类型相同，图片呈现顺序随机。

分析31种常用情绪脑电特征在同一次实验数据中的分类性能，各特征的分类结果如图3所示，不同的颜色表示在不同次采集的数据，可以看出时域的分形维数，high-gamma频带的能量，微分熵，全局效率四种特征的在同一次采集的数据上分类效果最好。将这四种特征进行串行融合，进一步探究在不同次实验数据中的分类效果即时间迁移分类效果，利用后向特征选择算法，对融合特征进行筛选，挑选出的不同维度的融合特征的分类结果如图4所示，可以看出120维时特征的时间迁移分类准确率最高，并且分类准确率提高了6％达到47.08％。将这120维特征作为稳定的情绪脑电特征进行后续的探究。进一步对挑选出的稳定的情绪脑电特征进行源脑区探究，挑选出的稳定的情绪脑电特征分布脑地形图如图5所示，可以看出稳定的情绪脑电特征主要分布于的前额叶，左侧颞叶，右侧枕叶和后枕叶脑区，许多文献的研究结果也表明这写脑区与情绪关系较为密切。在时间迁移情绪识别分类中使用三种分类算法进行探究，分别是传统的支持向量机，采用最大值标注法的多分类渐进直推式支持向量机和采用区域标注法的多分类渐进直推式支持向量机，图6展示了不同的分类算法的分类结果，可以看出本发明实施例中提出的采用区域标注法的多分类渐进直推式支持向量机的分类算法的分类准确率最高可达到63.53％。结合实际数据详细分析如下：

(1)31种特征在同一次数据上的分类结果分析

图3中展示的是31种情绪脑电特征在三次实验数据中的分类准确率均值。从图中可以看出，提取的31种特征在各次实验中均可有效对正中负三种情绪进行分类，其中high-gamma频带的微分熵特征的分类效果最好，在三次的实验数据上平均准确率分别达到85.52％,87.98％,86.43％。各类特征中分类效果最好的分别是时域的分形维数，频域的high-gamma频带能量，时频域的high-gamma频带的微分熵，网络属性的high-gamma频带的全局效率。因此，可以认为这些特征将会在时间迁移情绪识别中发挥重要作用，可将这四种特征进行串行融合作为融合特征。

(2)后向特征选择算法挑选出的稳定情绪脑电特征分析

基于同一次实验的分类结果选出的四种特征组合的融合特征，使用后向特征选择算法结合SVM分类器挑选在时间迁移情绪识别中分类效果好的特征即稳定的特征。图4展示了从原始244维融合特征中挑选出不同维度特征时的分类准确率，可以看出挑选出最稳定的120维特征时分类效果最好达到47.08％，相比于原始融合特征的准确率41.07％，提高约6％。该结果证明了后向特征选择算法确实可以有效挑选出稳定的情绪脑电特征，进而提高时间迁移情绪是被准确率。

图5展示了挑选出的稳定的情绪脑电特征的分布脑地形图，从图中可以看出稳定的情绪脑电特征主要分布于前额叶，左侧颞叶，右侧枕叶以及后枕叶脑区。之前的基于脑电的情绪研究也指出这些与情绪活动关系密切，在情绪识别中发挥重要作用，即本发明中的结果与现有研究结果一致。

(3)多分类渐进直推式支持向量机的时间迁移情绪分类结果分析

使用三种分类器进行时间迁移情绪分类，分别为传统的SVM分类器，基于决策函数值之和最大标注的多分类渐近直推式支持向量机，基于区域标注法的渐进直推式支持向量机。三种分类器模型的分类结果如图6所示，三种分类模型的分类准确率分别为47.08％,58.89％,63.53％。可以发现两种渐进直推式支持向量机的分类结果都高于传统的SVM分类器，这是由于渐进直推式分类器将无标签的测试样本的信息引入了分类模型的训练过程，而且随着迭代过程分类器模型不断调整，分类效果越来越好。此外，基于区域标注法的渐进直推式支持向量机的分类效果优于基于决策函数绝对值最大的渐进直推式分类器，在基于区域标注的分类器模型中引入K近邻算法对标注的样本进行筛选，降低了样本的误标概率，而且随着正确标注样本的增多，K近邻算法的性能越来越好，提升其分类效果。

(4)不同分类算法的运行效率分析

如表1所示，对比三种分类器模型的运行效率可以发现，SVM由于没有迭代过程，运行时间最短。基于决策函数绝对值之和最大值标注的分类器模型TPTSVM的得带次数最多，因为该模型每次最多标注三个样本，因此迭代的次数最多。基于区域标注法的分类器模型MC-PTSVM由于每次可以标注多个样本，因此迭代次数较少，但是由于每次迭代过程中都要计算样本与训练集中所有样本的距离，因此算法的运行时间较长。因此，综合来看，虽然基于区域标注法的分类器模型运行时间稍长，但是该分类模型的分类准确率最高，综合性能最好。基于实例迁移和半监督结合TPTSVM方法，每次迭代过程中，从目标领域未标注数据中挑选置信度高的实例加入训练接，减轻过拟合现象

表1

通过以上实际数据，可以证明本案技术方案中的分类器模型可有效改善基于脑电的时间迁移分类效率和准确度，有效提高分类器模型分离时间鲁棒性和准确度，为情绪识别实际应用提供技术支持，具有较好的社会效益和经济效益。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

基于上述的方法，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。

基于上述的方法，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的方法。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。

Claims (10)

1.一种基于脑电信号的时间迁移情绪识别方法，其特征在于，包含如下内容：

针对目标对象，对其情绪图片的原始脑电信号进行分段，并提取预设时间段内情绪图片呈现的情绪脑电数据，对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；

将预处理后的脑电数据信号划分为多个频段，从时域、频域、时频域及脑电网络属性中提取该多个频段内的情绪脑电特征；针对提取的情绪脑电特征，通过支持向量机分类器进行情绪分类，从中挑选出稳定情绪脑电特征；

构建用于通过迭代进行训练测试的多分类渐进直推式支持向量机分类器，该多分类渐进直推式支持向量机分类器包含多分类条件下的区域标注和标签重置过程，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；

利用稳定情绪脑电特征对多分类渐进直推式支持向量机分类器训练学习；针对目标对象待分类的情绪脑电信号，利用训练学习后的多分类渐进直推式支持向量机分类器进行分类，以实现基于脑电信号的时间迁移情绪识别。

2.根据权利要求1所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，利用快速独立分量分析Fastica算法去除眨眼伪迹；通过切比雪夫滤波器进行带通滤波处理，以去除数据信号中大于设定幅值的数据段。

3.根据权利要求1所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，将脑电数据信号划分为5个频段，该5个频段依次为4-8Hz、8-13Hz、13-30Hz、30-50Hz及50-80Hz；提取该5个频段内的能量特征、微分熵特征、脑电网络属性及时域分形维数特征。

4.根据权利要求3所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，所述脑电网络属性包含聚类系数、特征路径长度、局部效率及全局效率。

5.根据权利要求1所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，通过支持向量机分类器并利用基于后向特征选择算法，从提取的情绪脑电特征中筛选出稳定情绪脑电特征。

6.根据权利要求5所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，稳定情绪脑电特征筛选，包含如下内容：首先，将提取的情绪脑电特征送入支持向量机分类器中进行单次实验情绪分类，然后，在基于支持向量机分类器进行时间迁移情绪脑电分类的迭代过程中，每次迭代去掉一维特征，以实现根据分类结果进行特征筛选，并根据分类准确率降低程度对所有情绪脑电特征进行排序，选取时间迁移分类中稳定情绪脑电特征。

7.根据权利要求1所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，区域标注根据支持向量机分类器分类用决策函数值绝对值之和的大小衡量无标签样本正确标注的置信度，通过设定阈值在相应区域内标注多个正确样本；并在下一个迭代过程中，针对支持向量机分类器预测标签和多分类区域内标注标签不一致情形，通过标签重置将标注标签重置为无标签样本。

8.根据权利要求1或7所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，针对多分类渐进直推式支持向量机分类器区域标注过程中，引入K近邻算法对标注样本进行筛选修正。

9.根据权利要求8所述的基于脑电信号的时间迁移情绪识别方法，其特征在于，通过计算新标注样本与当前训练集中所有样本的距离，根据距离判决新标注样本类别，若判定该新标注样本类别与区域标注所标注的样本类别一致，则通过设定阈值筛选出K近邻范围内的正确标注样本。

10.一种基于脑电信号的时间迁移情绪识别系统，其特征在于，包含：数据预处理模块、数据筛选模块、模型构建模块和训练识别模块，其中，

数据预处理模块，用于针对目标对象，对其情绪图片的原始脑电信号进行分段，并提取预设时间段内情绪图片呈现的情绪脑电数据，对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；

数据筛选模块，用于将预处理后的脑电数据信号划分为多个频段，从时域、频域、时频域及脑电网络属性中提取该多个频段内的情绪脑电特征；针对提取的情绪脑电特征，通过支持向量机分类器进行情绪分类，从中挑选出稳定情绪脑电特征；

模型构建模块，用于构建用于通过迭代进行训练测试的多分类渐进直推式支持向量机分类器，该多分类渐进直推式支持向量机分类器包含多分类条件下的区域标注和标签重置过程，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；

训练识别模块，用于利用稳定情绪脑电特征对多分类渐进直推式支持向量机分类器训练学习；针对目标对象待分类的情绪脑电信号，利用训练学习后的多分类渐进直推式支持向量机分类器进行分类，以实现基于脑电信号的时间迁移情绪识别。

Images