CN111860583A - 一种基于rmfs的脑电信号情绪识别方法 - Google Patents

一种基于rmfs的脑电信号情绪识别方法 Download PDF

Info

Publication number
CN111860583A
CN111860583A CN202010529622.9A CN202010529622A CN111860583A CN 111860583 A CN111860583 A CN 111860583A CN 202010529622 A CN202010529622 A CN 202010529622A CN 111860583 A CN111860583 A CN 111860583A
Authority
CN
China
Prior art keywords
weight
rmfs
features
feature
channels
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.)
Pending
Application number
CN202010529622.9A
Other languages
English (en)
Inventor
张晓丹
李涛
朱磊
赵瑞
刘东晓
翟雅文
杜金祥
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.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
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 Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN202010529622.9A priority Critical patent/CN111860583A/zh
Publication of CN111860583A publication Critical patent/CN111860583A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于RMFS的脑电信号情绪识别方法，具体按照以下步骤实施：步骤1、通过RMFS匹配特征选择对每个特征进行判断，调整每个调整权值在匹配特征组中所占比例，使权值较大的特征得到更多的增益，权值较小的特征得到较小的增益，筛选出优选的匹配特征组；步骤2、采用RMFS算法将通道作为一个整体，计算通道的权值，采用交叉验证的方法得到不同通道对分类的贡献度，根据贡献度调整权值剔除无关信息，得到最优通道子集。采用RMFS算法对效价与唤醒度的情绪二分类平均正确率分别为93.28％与93.32％，四类情绪的分类结果皆高于83％，且采用RMFS算法的单个被试计算效率提升了42.65％，RMFS算法能够较好的提高识别准确率和计算效率。

Description

一种基于RMFS的脑电信号情绪识别方法
技术领域
本发明属于信号处理技术领域，涉及一种基于RMFS的脑电信号情绪识别方法。
背景技术
情绪识别是通过获取人的生理和非生理信号对人的情绪状态进行自动辨别,更加友好和自然的实现人机交互,一方面根据国际“10-20”系统分布在整个头皮上的16、32、64或128通道获取多通道EEG传感器信号,电极数的增加会带来特征维数急剧上升,导致计算量过大,不利于特征情绪分类；另一方面因为被试之间的个体差异,同样的特征并不能精确反应部分被试的信息，以上研究进展，均存在因被试个体特异性与全局阈值不匹配问题，从而导致情绪识别率不高。
ReliefF算法是一种特征选择算法,即根据信号特征与分类标签的相关性给特征向量赋予权值,并根据权值大小删选对分类效果影响较小的特征子集。通过ReliefF算法，将特征子集中全部特征权值相加，得到每类特征的权值并按其大小了解每类特征对分类的贡献，但进行情绪识别时需要使用多类特征进行组合作为分类的依据，且ReliefF算法对消除冗余特效果欠佳。
发明内容
本发明的目的是提供一种基于RMFS的脑电信号情绪识别方法，具有获得全局匹配特征组和不同被试的匹配特征组，从而提高识别准确率和算法效率的特点。
本发明所采用的技术方案是，一种基于RMFS的脑电信号情绪识别方法，具体按照以下步骤实施：
步骤1、通过RMFS匹配特征选择对每个特征进行判断，调整每个调整权值在匹配特征组中所占比例，使权值较大的特征得到更多的增益，权值较小的特征得到较小的增益，筛选出优选的匹配特征组；
步骤2、采用RMFS算法将通道作为一个整体，计算通道的权值,采用交叉验证的方法得到不同通道对分类的贡献度，根据贡献度调整权值剔除无关信息,得到最优通道子集。
步骤1具体按照以下步骤实施：
步骤1.1、用ReliefF算法计算n类特征权值(n≤10)；
步骤1.2、若其权值均为正，则按权值大小降序排列特征；
步骤1.3、若权值为负，则剔除其对应的特征，并通过步骤步骤1.1重新计算剩余权重为正的特征的权重，重复该步骤直至所有特征的权重均为正；
步骤1.4、采用高斯核SVM分类器及20次5折交叉验证得到前n类及n+1类特征识别准确率p(n)和p(n+1)；
步骤1.5、设定阈值δ1＝0.01，判断|p(n+1)-p(n)|和δ1；
步骤1.6、重复上述步骤，直至满足|p(n+1)-p(n)|＜δ1，完成匹配特征组选择。
步骤1.5中判断的具体情形为：
若|p(n+1)-p(n)|＜δ1,则输出匹配特征组；
若|p(n+1)-p(n)|＞δ1，则判断p(n+1)与p(n)大小，当p(n+1)＞p(n)时，按公式(1)计算前n项特征权值，获得更大增益
Figure BDA0002534916500000021
当p(n+1)＜p(n)时，将第n+1项特征移至列尾，余下依次前移，按公式(2)计算前n项特征权值
Figure BDA0002534916500000031
其中：式(1)中W(fn)为第n项的特征权值，
Figure BDA0002534916500000032
代表第n+1项对第n项识别准确率的增量，
Figure BDA0002534916500000033
为公式(1)优化项，表示第n项特征权值中所占比例；式(2)中W(fn+1)第n+1项的特征权值，
Figure BDA0002534916500000034
代表第n+1项对第n项识别准确率的增量。
步骤2具体按照以下步骤实施：
步骤2.1、计算32个通道的权值；
步骤2.2、若权值为负，则剔除其对应的通道，并按照步骤2.1重新计算剩余权重为正的通道的权重并按降序排列，重复该步骤直至所有通道的权重均为正；
步骤2.3、设定可变阈值δ2，取权值和小于δ2的前n个通道，使用不同阈值组成不同通道组合；
步骤2.4、通过SVM分类器进行20次5折交叉验证得到不同通道组合的识别准确率及运行时间；
步骤2.5、输出最优通道的匹配特征组。
步骤2.3中变阈值δ2：0.05-0.9。
本发明的有益效果是：
RMFS算法通过计算特征种类和通道的权值，并使用交叉验证得到的分类贡献度对权值进行调整，剔除无关信息与冗余信息，得到识别使用的匹配特征组，从而达到提高识别准确率与减少运行时间，首先，利用小波包分解EEG并重构到情绪相关的六个波段，通过经验模态分解后提取基于小波系数和重构信号IMF分量的10类特征；其次，采用ReliefF算法进行特征选择获得优选特征组，再次，通过建立优化的特征组权重计算公式，得到不同被试特征的权重值，根据权重值获得全局最优的匹配特征组，以及与其对应的匹配通道，剔除冗余信息，解决传统算法无法体现个体特异性的问题；最后，采用高斯核函数支持向量机识别被试特征组数据，获得情绪识别结果。
实验结果表明采用RMFS算法对效价与唤醒度的情绪二分类平均正确率分别为93.28％与93.32％，四类情绪的分类结果皆高于83％，且采用RMFS算法的单个被试计算效率提升了42.65％，均优于传统ReliefF算法，有效验证了RMFS算法能够较好的提高识别准确率和计算效率。
附图说明
图1是本发明基于RMFS的脑电信号情绪识别方法的流程图；
图2是本发明s25效价二分类通道选择结果；
图3是s25唤醒度二分类通道选择结果；
图4是32位被试效价二分类匹配特征组构成及其权值；
图5是32位被试唤醒度二分类匹配特征组构成及其权值；
图6第25位被试的特征类别选择结果；
图7通道选择不同p值时程序运行时间。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，一种基于RMFS的脑电信号情绪识别方法，具体按照以下步骤实施：
步骤1、通过RMFS匹配特征选择对每个特征进行判断，调整每个调整权值在匹配特征组中所占比例，使权值较大的特征得到更多的增益，权值较小的特征得到较小的增益，筛选出优选的匹配特征组，提高识别准确率，减少运行时间。；
步骤2、采用RMFS算法将通道作为一个整体，计算通道的权值,采用交叉验证的方法得到不同通道对分类的贡献度，根据贡献度调整权值剔除无关信息,得到最优通道子集。
步骤1具体按照以下步骤实施：
步骤1.1、用ReliefF算法计算n类特征权值(n≤10)；
步骤1.2、若其权值均为正，则按权值大小降序排列特征；
步骤1.3、若权值为负，则剔除其对应的特征，并通过步骤步骤1.1重新计算剩余权重为正的特征的权重，重复该步骤直至所有特征的权重均为正；
步骤1.4、采用高斯核SVM分类器及20次5折交叉验证得到前n类及n+1类特征识别准确率p(n)和p(n+1)；
步骤1.5、设定阈值δ1＝0.01，判断|p(n+1)-p(n)|和δ1；
步骤1.6、重复上述步骤，直至满足|p(n+1)-p(n)|＜δ1，完成匹配特征组选择。
步骤1.5中判断的具体情形为：
若|p(n+1)-p(n)|＜δ1,则输出匹配特征组；
若|p(n+1)-p(n)＞δ1，则判断p(n+1)与p(n)大小，当p(n+1)＞p(n)时，按公式(1)计算前n项特征权值，获得更大增益
Figure BDA0002534916500000051
当p(n+1)＜p(n)时，将第n+1项特征移至列尾，余下依次前移，按公式(2)计算前n项特征权值
Figure BDA0002534916500000052
其中：式(1)中W(fn)为第n项的特征权值，
Figure BDA0002534916500000053
代表第n+1项对第n项识别准确率的增量，
Figure BDA0002534916500000061
为公式(1)优化项，表示第n项特征权值中所占比例；式(2)中W(fn+1)为第n+1项的特征权值，
Figure BDA0002534916500000062
代表第n+1项对第n项识别准确率的增量。通过RMFS匹配特征选择对每个特征进行判断，调整每个调整权值在匹配特征组中所占比例，使权值较大的特征得到更多的增益，权值较小的特征得到较小的增益，如此一来，分类贡献较高的特征在特征组中发挥更大的作用，筛选出优选的匹配特征组，提高识别准确率，减少运行时间。
图6为第25位被试的特征类别选择结果，随着特征种类增多，权值与分类准确率增大，当超过4种特征时识别准确率无明显变化，而程序运行时间明显增加。基于前4种特征的效价二分类，准确率为95.35％，相较于前3类特征识别准确率增加0.0202，大于设定阈值δ，随着特征数量的增加而正确率增量绝对值均小于δ，故该被试效价二分类的匹配特征组为其优选特征组的前4项特征；基于前4项特征的唤醒度二分类准确率为93.96％，前3项特征组分类准确率为93.48％，二者差值为0.048，小于阈值δ，故唤醒度二分类的匹配特征组为其优选特征组的前3项特征。图6中虽基于前6特征的唤醒度准确率和权值和为“-”，表明5项特征的权值大于0，其余为负值，但运行时间可测出。
步骤2具体按照以下步骤实施：
步骤2.1、计算32个通道的权值；
步骤2.2、若权值为负，则剔除其对应的通道，并按照步骤2.1重新计算剩余权重为正的通道的权重并按降序排列，重复该步骤直至所有通道的权重均为正；
步骤2.3、设定可变阈值δ2，取权值和小于δ2的前n个通道，使用不同阈值组成不同通道组合；
步骤2.4、通过SVM分类器进行20次5折交叉验证得到不同通道组合的识别准确率及运行时间；
步骤2.5、输出最优通道的匹配特征组。
步骤2.3中变阈值δ2：0.05-0.9。
由于脑电信号的空间分辨率较差，在保证情绪识别率不变的情况下直接利用特征种类进行选择，一方面会增加通道使用，导致计算量过大，另一方面会影响情绪识别的实时性；通道选择方法则是将通道作为一个整体，根据通道对应识别准确率进行删选，得到最优的通道子集。因此，改进后的RMFS将二者优点结合，不但提高识别准确率，而且缩短运行时间。
选用DEAP中32位被试为实验对象，为增加样本容量，取4秒重叠时间窗将时长60s的样本划分14段，每段对应1024个数据点，分为两组，进行100次随机实验，结果如图2-3所示；
如图7所示，当通道权重和为0.9时,随着通道权重和的增加识别正确率并未显著增加,效价和唤醒度的通道数分别27和25，所耗时间增加至799.61s,因此，综合考虑准确率与时间复杂度，在效价和唤醒度二分类时选择权重和为0.6时对应的通道。
图4和图5分别为全体被试效价和唤醒度二分类的匹配特征组构成及其权值，由COE Mean，COE Std，IMF Std与Eng四类特征中的2-4类特征构成，但不同个体之间的匹配特征组，构成有较大的差异：有32.81％样本的匹配特征组含有4类特征，59.38％样本中含有3种特征，而仅有7.81％被试分类结果明显受2种特征影响。而第13位被试的唤醒度二分类的匹配特征组由Eng与IMF Diff构成，且未经过RMFS特征选择的IMF Diff权值为负，说明其对大部分样本的分类有消极影响，而仅在该位被试的唤醒度二分类中起到较强的积极作用。由此可知，此四类匹配特征及其权值虽然可以对大部分被试适用，但不能匹配所有被试，若样本比例增加，匹配特征特异比例将会进一步上升。

Claims (5)

1.一种基于RMFS的脑电信号情绪识别方法，其特征在于，具体按照以下步骤实施：
步骤1、通过RMFS匹配特征选择对每个特征进行判断，调整每个调整权值在匹配特征组中所占比例，使权值较大的特征得到更多的增益，权值较小的特征得到较小的增益，筛选出优选的匹配特征组；
步骤2、采用RMFS算法将通道作为一个整体，计算通道的权值,采用交叉验证的方法得到不同通道对分类的贡献度，根据贡献度调整权值剔除无关信息,得到最优通道子集。
2.根据权利要求1所述的一种基于RMFS的脑电信号情绪识别方法，其特征在于，所述步骤1具体按照以下步骤实施：
步骤1.1、用ReliefF算法计算n类特征权值(n≤10)；
步骤1.2、若其权值均为正，则按权值大小降序排列特征；
步骤1.3、若权值为负，则剔除其对应的特征，并通过步骤步骤1.1重新计算剩余权重为正的特征的权重，重复该步骤直至所有特征的权重均为正；
步骤1.4、采用高斯核SVM分类器及20次5折交叉验证得到前n类及n+1类特征识别准确率p(n)和p(n+1)；
步骤1.5、设定阈值δ1＝0.01，判断|p(n+1)-p(n)|和δ1；
步骤1.6、重复上述步骤，直至满足|p(n+1)-p(n)|＜δ1，完成匹配特征组选择。
3.根据权利要求2所述的一种基于RMFS的脑电信号情绪识别方法，其特征在于，所述步骤1.5中判断的具体情形为：
若|p(n+1)-p(n)|＜δ1，则输出匹配特征组；
若|p(n+1)-p(n)|＞δ1，则判断p(n+1)与p(n)大小，当p(n+1)＞p(n)时，按公式(1)计算前n项特征权值，获得更大增益
Figure FDA0002534916490000021
当p(n+1)＜p(n)时，将第n+1项特征移至列尾，余下依次前移，按公式(2)计算前n项特征权值
Figure FDA0002534916490000022
其中：式(1)中W(fn)为第n项的特征权值，
Figure FDA0002534916490000023
代表第n+1项对第n项识别准确率的增量，
Figure FDA0002534916490000024
为公式(1)优化项，表示第n项特征权值中所占比例；式(2)中W(fn+1)第n+1项的特征权值，
Figure FDA0002534916490000025
代表第n+1项对第n项识别准确率的增量。
4.根据权利要求1所述的一种基于RMFS的脑电信号情绪识别方法，其特征在于，所述步骤2具体按照以下步骤实施：
步骤2.1、计算32个通道的权值；
步骤2.2、若权值为负，则剔除其对应的通道，并按照步骤2.1重新计算剩余权重为正的通道的权重并按降序排列，重复该步骤直至所有通道的权重均为正；
步骤2.3、设定可变阈值δ2，取权值和小于δ2的前n个通道，使用不同阈值组成不同通道组合；
步骤2.4、通过SVM分类器进行20次5折交叉验证得到不同通道组合的识别准确率及运行时间；
步骤2.5、输出最优通道的匹配特征组。
5.根据权利要求4所述的一种基于RMFS的脑电信号情绪识别方法，其特征在于，所述步骤2.3中变阈值δ2：0.05-0.9。
CN202010529622.9A 2020-06-11 2020-06-11 一种基于rmfs的脑电信号情绪识别方法 Pending CN111860583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010529622.9A CN111860583A (zh) 2020-06-11 2020-06-11 一种基于rmfs的脑电信号情绪识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010529622.9A CN111860583A (zh) 2020-06-11 2020-06-11 一种基于rmfs的脑电信号情绪识别方法

Publications (1)

Publication Number Publication Date
CN111860583A true CN111860583A (zh) 2020-10-30

Family

ID=72986448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010529622.9A Pending CN111860583A (zh) 2020-06-11 2020-06-11 一种基于rmfs的脑电信号情绪识别方法

Country Status (1)

Country Link
CN (1) CN111860583A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115192040A (zh) * 2022-07-18 2022-10-18 天津大学 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置
CN115530843A (zh) * 2021-06-29 2022-12-30 复旦大学 一种脑电信号通道间平均相位相干性特征获取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
佘翼翀: "基于脑电信号的情绪识别研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 2, pages 4 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115530843A (zh) * 2021-06-29 2022-12-30 复旦大学 一种脑电信号通道间平均相位相干性特征获取方法
CN115192040A (zh) * 2022-07-18 2022-10-18 天津大学 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置
CN115192040B (zh) * 2022-07-18 2023-08-11 天津大学 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置

Similar Documents

Publication Publication Date Title
Limam et al. Atrial fibrillation detection and ECG classification based on convolutional recurrent neural network
CN112656427B (zh) 一种基于维度模型的脑电信号情绪识别方法
CN111460956B (zh) 一种基于数据增强与损失加权的不平衡心电样本分类方法
Yom-Tov et al. Feature selection for the classification of movements from single movement-related potentials
CN111832416A (zh) 一种基于增强卷积神经网络的运动想象脑电信号识别方法
CN107174209B (zh) 基于非线性动力学的睡眠阶段分期方法
CN111860583A (zh) 一种基于rmfs的脑电信号情绪识别方法
Caliskan et al. A deep neural network classifier for decoding human brain activity based on magnetoencephalography
CN112200016A (zh) 基于集成学习方法AdaBoost的脑电信号情感识别
CN112294342A (zh) 一种基于深度残差Mask-CCNN的睡眠分期方法
CN111110224A (zh) 一种基于多角度特征提取的心电图分类方法及装置
CN110881975A (zh) 一种基于脑电信号的情感识别方法及系统
CN108567418A (zh) 一种基于PCANet的脉搏信号亚健康检测方法及检测系统
CN114578967B (zh) 一种基于脑电信号的情感识别方法及系统
CN113128459B (zh) 一种基于多层次脑电信号表达下的特征融合方法
CN116898455B (zh) 一种基于深度学习模型的睡眠脑电信号检测方法及系统
CN111297327B (zh) 一种睡眠分析方法、系统、电子设备及存储介质
CN113116361A (zh) 一种基于单导脑电的睡眠分期方法
CN112052874A (zh) 一种基于生成对抗网络的生理数据分类方法及系统
CN115251845A (zh) 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法
Ko et al. An EEG spike detection algorithm using artificial neural network with multi-channel correlation
CN114403897A (zh) 一种基于脑电信号的人体疲劳检测方法及系统
CN110141211A (zh) 一种基于经验模态分解的稳态视觉诱发电位的分类方法
CN109522448A (zh) 一种基于crbm和snn进行鲁棒性语音性别分类的方法
CN117582235A (zh) 基于cnn-lstm模型的心电信号分类方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030

RJ01 Rejection of invention patent application after publication