CN113576498A - 基于脑电信号的视听觉美学评价方法及系统 - Google Patents

基于脑电信号的视听觉美学评价方法及系统 Download PDF

Info

Publication number
CN113576498A
CN113576498A CN202111045143.0A CN202111045143A CN113576498A CN 113576498 A CN113576498 A CN 113576498A CN 202111045143 A CN202111045143 A CN 202111045143A CN 113576498 A CN113576498 A CN 113576498A
Authority
CN
China
Prior art keywords
aesthetic
lead
module
eeg
visual
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.)
Granted
Application number
CN202111045143.0A
Other languages
English (en)
Other versions
CN113576498B (zh
Inventor
李卫东
陈志堂
王立卉
杨翔宇
张旭
匡奕方
曾苏华
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202111045143.0A priority Critical patent/CN113576498B/zh
Publication of CN113576498A publication Critical patent/CN113576498A/zh
Application granted granted Critical
Publication of CN113576498B publication Critical patent/CN113576498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/369Electroencephalography [EEG]
    • A61B5/377Electroencephalography [EEG] using evoked responses
    • A61B5/378Visual stimuli
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/369Electroencephalography [EEG]
    • A61B5/372Analysis of electroencephalograms
    • A61B5/374Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/369Electroencephalography [EEG]
    • A61B5/377Electroencephalography [EEG] using evoked responses
    • A61B5/38Acoustic or auditory stimuli
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7253Details of waveform analysis characterised by using transforms
    • A61B5/7257Details of waveform analysis characterised by using transforms using Fourier transforms
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Psychiatry (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种基于脑电信号的视听觉美学评价方法及系统,涉及脑认知神经功能技术领域,包括:采集被试进行审美活动时的原始脑电信号,得到被试的EEG原始数据;对获取到的所述EEG原始数据进行预处理,得到不同条件下同等时长纯净的EEG信号;利用短时傅里叶变换分别计算δ、θ、α、β和γ五个不同频段的能量密度谱,得到不同频段的能量密度谱特征矩阵;利用基于支持向量机的递归特征筛选最优特征进行分类器训练,对参与者的审美主观判断进行分类识别,得到参与者的主观判断结果并通过声音和画面提醒反馈给参与者。本发明能够实现参与者审美判断的高精度识别,实现视觉、听觉审美的客观评价,为审美测评的公平性开拓思路并奠定技术基础。

Description

基于脑电信号的视听觉美学评价方法及系统
技术领域
本发明涉及脑认知神经功能技术领域,具体地,涉及一种基于脑电信号的视听觉美学评价方法及系统。
背景技术
自古以来,美一直是人们好奇的话题。美学的质量评价对于人类的社交活动具有广泛的影响力。脑电技术的发展为美学客观的评价提供了技术手段。
脑电图(Electroencephalography,EEG)数据更加集中于时间序列的脑部变化情况,更加符合思维或行动相关的审美活动,因此通过脑电图数据可提取出审美相关的特征,实现不同美感程度的客观评价。目前,脑电技术主要分为诱发脑电技术和自发脑电技术。诱发脑电技术是在视觉、听觉、触觉等外部任务条件刺激下产生的有规律的脑部电位变化,包括事件相关电位(event-related potential,ERP),稳态视觉诱发电位(Steady-statevisual evoked potential,SSVEP)等;自发脑电技术是指在不施加外部刺激的情况下脑部活动产生的自发电位变化,包括静息态脑电、多导睡眠等。在诱发脑电中,ERP作为一种与知觉、思维、注意、记忆、智能等心理过程有关的认知电位,是大脑对所接收的信息进行进一步处理、加工,对所接收的刺激进行识别、分辨、期待及做出判断等过程所产生的电活动,可以作为反应大脑高级神经的一种客观指标,在研究认知功能中被广泛应用。
公开号为CN110338760A的发明专利,公开了一种基于脑电图频域数据的精神分裂症三分类方法,以在没有诱导的情况下获得受外界干扰较小的脑电图作为精神分裂症辅助诊断的数据来源,通过初始化数据处理后,将脑电图时域数据转换为频域数据,再对脑电图频域数据进行频段划分,将分段的数据分别作为矩阵处理,得到数量可控的LES特征,使用基于二次规划的频段权重分配算法得到分类效果最好的频域权重,利用支持向量机分类算法进行基于脑电图频域数据的精神分裂症的首阶段、健康阶段和临床高危综合征阶段的分类。通过采集被试的脑电信号,提取频域特征,实现了精神分裂症的分类系统设计,说明了脑电技术可用于神经活动的客观表征。
从审美活动的实际过程来看,大脑神经系统的解剖学结构及其活动规律同审美认知的过程和机理是密不可分的整体。不同美感程度的作品能引起大脑特异性的神经反应,然而现有的美学评价技术大多基于认知行为问卷的方式,缺乏评价标准的客观性,因此,提出一种美学的客观评价系统十分有必要。
发明内容
针对现有技术中的缺陷,本发明提供一种基于脑电信号的视听觉美学评价方法及系统。
根据本发明提供的一种基于脑电信号的视听觉美学评价方法及系统,所述方案如下:
第一方面,提供了一种基于脑电信号的视听觉美学评价方法,所述方法包括:
步骤S1:采集被试进行审美活动时的原始脑电信号,得到被试的EEG原始数据;
步骤S2:对获取到的所述EEG原始数据进行预处理,得到不同条件下同等时长纯净的EEG信号;
步骤S3:利用短时傅里叶变换分别计算δ、θ、α、β和γ五个不同频段的能量密度谱,得到不同频段的能量密度谱特征矩阵;
步骤S4:利用基于支持向量机的递归特征筛选最优特征进行分类器训练,对参与者的审美主观判断进行分类识别,得到参与者的主观判断结果并通过声音和画面提醒反馈给参与者。
优选的,所述步骤S1包括:
步骤S1.1:使用放置在头皮表面的32导联银/氯化银合金电极帽由NeuSen W332系统进行EEG数据采集,获取受试者在进行美学主观评价时32通道的脑电信号,EEG频带滤波为0.5-100Hz,采样频率为1000Hz,电极阻抗保持在5千欧以下;
步骤S1.2:实验过程中,被试坐在距离屏幕约1m的座椅上,保持舒适状态,避免身体出现明显动作。
优选的,所述步骤S2包括:
步骤S2.1:将采集到的原始脑电信号通过降采样降到200Hz,采用50Hz陷波器去除工频干扰;
步骤S2.2:采用共平均参考去除低频成分,截取刺激呈现的前0.5s到呈现后的1.5s,共2s长的数据进行分析;
步骤S2.3:通过fast-ICA算法获取多通道独立成分,并通过Adjust插件探测伪迹干扰并置零,再进一步逆变换回时域信号,去除伪迹干扰。
优选的,所述步骤S3包括:
步骤S3.1:利用短时傅里叶变换分别计算δ、θ、α、β和γ五个不同频段的能量密度谱;
步骤S3.2:分别对δ、θ、α、β和γ五个频段内的能量密度谱求和,得到不同美学判断下的频谱特征。
优选的,所述步骤S4包括:
步骤S4.1:将脑电不同审美特征输入基于支持向量机的递归特征筛选,筛选最优的导联组合,得到分类结果;
其中,支持向量机的代价函数如下式:
Figure BDA0003250897900000031
其中,HyiyjK(xi,xj),表示第i和第j个样本的元素矩阵,K是衡量样本xi和xj相似性的核函数,y为类别标签,λ为拉格朗日系数,
Figure BDA0003250897900000032
表示λ共轭的转置。
衡量移除某个特征维度之后的代价函数变化情况时,保持λ不变,得到特征的序贯指数为:
Figure BDA0003250897900000033
其中,H(-i)是移除第i个特征后的H;Ji表示第j个特征的序贯指数,即重要性程度;将一个导联的所有特征看作是一个整体,即对导联的权重进行排序。按照上述过程得到的导联排序,分别取前1导,前2导,…,前N导的特征作为分类器的输入,得到相应导联组合下的识别结果,其中识别率最高的导联组合即为最优组合。
步骤S4.2:将识别到的美学主观判断分类结果通过声音和画面反馈给参与者。
第二方面,提供了一种基于脑电信号的视听觉美学评价系统,所述系统包括:
模块M1:采集被试进行审美活动时的原始脑电信号,得到被试的EEG原始数据;
模块M2:对获取到的所述EEG原始数据进行预处理,得到不同条件下同等时长纯净的EEG信号;
模块M3:利用短时傅里叶变换分别计算δ、θ、α、β和γ五个不同频段的能量密度谱,得到不同频段的能量密度谱特征矩阵;
模块M4:利用基于支持向量机的递归特征筛选最优特征进行分类器训练,对参与者的审美主观判断进行分类识别,得到参与者的主观判断结果并通过声音和画面提醒反馈给参与者。
优选的,所述模块M1包括:
模块M1.1:使用放置在头皮表面的32导联银/氯化银合金电极帽由NeuSen W332系统进行EEG数据采集,获取受试者在进行美学主观评价时32通道的脑电信号,EEG频带滤波为0.5-100Hz,采样频率为1000Hz,电极阻抗保持在5千欧以下;
模块M1.2:实验过程中,被试坐在距离屏幕约1m的座椅上,保持舒适状态,避免身体出现明显动作。
优选的,所述模块M2包括:
模块M2.1:将采集到的原始脑电信号通过降采样降到200Hz,采用50Hz陷波器去除工频干扰;
模块M2.2:采用共平均参考去除低频成分,截取刺激呈现的前0.5s到呈现后的1.5s,共2s长的数据进行分析;
模块M2.3:通过fast-ICA算法获取多通道独立成分,并通过Adjust插件探测伪迹干扰并置零,再进一步逆变换回时域信号,去除伪迹干扰。
优选的,所述模块M3包括:
模块M3.1:利用短时傅里叶变换分别计算δ、θ、α、β和γ五个不同频段的能量密度谱;
模块M3.2:分别对δ、θ、α、β和γ五个频段内的能量密度谱求和,得到不同美学判断下的频谱特征。
优选的,所述模块M4包括:
模块M4.1:将脑电不同审美特征输入基于支持向量机的递归特征筛选,筛选最优的导联组合,得到分类结果;
其中,支持向量机的代价函数如下式:
Figure BDA0003250897900000041
其中,HyiyjK(xi,xj),表示第i和第j个样本的元素矩阵,K是衡量样本xi和xj相似性的核函数,y为类别标签,λ为拉格朗日系数,
Figure BDA0003250897900000042
表示λ共轭的转置。
衡量移除某个特征维度之后的代价函数变化情况时,保持λ不变,得到特征的序贯指数为:
Figure BDA0003250897900000051
其中,H(-i)是移除第i个特征后的H;Ji表示第j个特征的序贯指数,即重要性程度;将一个导联的所有特征看作是一个整体,即对导联的权重进行排序。按照上述过程得到的导联排序,分别取前1导,前2导,…,前N导的特征作为分类器的输入,得到相应导联组合下的识别结果,其中识别率最高的导联组合即为最优组合。
模块M4.2:将识别到的美学主观判断分类结果通过声音和画面反馈给参与者。
与现有技术相比,本发明具有如下的有益效果:
1、本发明通过提取视觉审美和听觉审美引起的特异性神经反应特征,构建分类器,对被试的不同审美反应做分类识别并输出反馈结果;
2、针对特征冗余和不足等问题,本发明采用基于支持向量机的递归特征筛选算法,优化特征组合,根据先验的实验数据,将参与者的审美判断划分为美、一般、不美以及所对应的脑电波信号,来训练分类器,实现参与者审美判断的高精度识别;
3、本发明能够实现视觉、听觉审美的客观评价,有望为审美测评的公平性开拓思路并奠定技术基础;
4、同时,本发明也有望丰富基于美学的心理疗法在精神病患者中的治疗。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明的基于脑电信号的视听觉美学评价系统总体结构示意图;
图2是本发明中实验范式流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于脑电信号的视听觉美学评价方法,主要对脑电波数据的预处理及参与者审美判断的识别,通过采集被试在观察作品或聆听音乐时的脑电信号,提取审美相关的特异性神经反应频域特征,训练分类器,对被试的审美判断进行分类识别,并通过语音反馈和画面提示输出被试的主观判断,实现被试审美的客观评价。共包含信号采集、信号处理、模式识别、输出反馈模块,参照图1所示,该方法具体包括:
步骤S1:采集被试进行审美活动时的原始脑电信号,得到被试的EEG原始数据;
该步骤S1包括:使用放置在头皮表面的32导联银/氯化银(Ag/AgC1)合金电极帽由NeuSen W332系统进行EEG数据采集,获取受试者在进行美学主观评价时32通道的脑电信号,EEG频带滤波为0.5-100Hz,采样频率为1000Hz,以鼻尖作参考,所有的电极阻抗被保持在5千欧以下。
实验过程中,被试坐在距离屏幕约1m的座椅上,保持舒适状态,尽量避免身体出现明显动作。单个试次的实验流程参照图2所示,共包含4个阶段,持续时间为6.75-7.25s之间随机。首先一开始,让参与者有5s的静息时间,保持状态良好;第一阶段是准备期,屏幕正中央出现一个“+”号,持续0.25-0.5s提醒被试本轮实验正式开始;接下来的2s时间是提示期,屏幕中间出现欣赏的图片或者播放音乐;然后是判断期,持续3s时间,被试根据前一阶段所观察的图片或聆听到的音乐进行主观判断;最后是休息期,持续1.5-1.75s,被试休息状态,以作调整准备下一轮次实验。整个实验在安静无干扰的环境中完成。
实验共采集了6组数据(图片和音乐各3组),每组实验包含60个单轮次任务,三种美感程度任务各随机出现20次。前2组实验数据用于训练分类器,后1组实验用于在线测试系统的性能。整个实验持续60分钟,总采集6*60=360次实验任务下的脑电信号,即360个脑电数据样本。
步骤S2:对获取到的EEG原始数据进行预处理,包括数据降采样、去噪、截取和滤波等,得到不同条件下同等时长纯净的EEG信号。
步骤S2具体包括:将采集到的原始脑电信号通过降采样降到200Hz,采用50Hz陷波器去除工频干扰;采用共平均参考(Common average reference,CAR)去除低频成分,截取刺激呈现的前0.5s到呈现后的1.5s,共2s长的数据进行分析。
通过fast-ICA算法获取多通道独立成分,并通过Adjust插件探测伪迹干扰并置零,再进一步逆变换回时域信号,去除伪迹干扰。Adjust是一种用于识别和清除EEG数据的全自动算法。
步骤S3:利用短时傅里叶变换分别计算δ(0.5-4Hz)、θ(4-8Hz)、α(8-13Hz)、β(14-30Hz)和γ(30-50Hz)五个不同频段的能量密度谱,得到不同频段的能量密度谱特征矩阵。
步骤S3具体包括:
利用短时傅里叶变换分别计算δ、θ、α、β和γ五个不同频段的能量密度谱;
短时傅里叶变换的方法是首先使用一个有限宽度的观察窗函数W(t)对信号X(t)进行观察,然后对加窗后的信号进行傅立叶变换得到的:
Figure BDA0003250897900000071
其中,t,τ表示时间点;w是角频率;x(τ)表示τ时刻的信号;j表示虚数;W*(τ-t)是W(τ-t)的复共轭函数。当把有限取值长度的观察窗沿时间轴平移,即可在二维的时频平面上得到信号的频谱分布随时间变化的信息,这样可以得到脑电信号的二维时频图谱。
能量密度谱spectrogram(SPEC)的计算如下:
SPEC(t,w)=|STFT(t,w)|2 (2)
窗函数W(t)一般为对称的实函数,常用的窗函数有矩形窗、汉宁窗以及高斯窗等,本实施例中选用高斯窗作为时间窗函数,窗长2s。
分别对δ、θ、α、β和γ五个频段内的能量密度谱求和,得到不同美学判断下的频谱特征。
步骤S4:利用基于支持向量机的递归特征筛选最优特征进行分类器训练,对参与者的审美主观判断进行分类识别,得到参与者的主观判断结果并通过声音和画面提醒反馈给参与者。
步骤S4具体包括:
将脑电不同审美特征输入基于支持向量机的递归特征筛选,筛选最优的导联组合,得到最可靠的分类结果;
基于支持向量机的递归特征筛选是一种常用的特征优化算法,其基本思想是:根据分类器代价函数在移去某一维特征后的变化量来衡量该特征对分类器权重的顺序(称为特征的序贯指数),引起的变化越大,说明该特征在所有特征的贡献中所占的比重越大,反之亦然。
其中,支持向量机的代价函数如下式:
Figure BDA0003250897900000072
其中,HyiyjK(xi,xj),表示第i和第j个样本的元素矩阵,K是衡量样本xi和xj相似性的核函数,y为类别标签,λ为拉格朗日系数,
Figure BDA0003250897900000073
表示λ共轭的转置。
衡量移除某个特征维度之后的代价函数变化情况时,保持λ不变,得到特征的序贯指数为:
Figure BDA0003250897900000081
其中,H(-i)是移除第i个特征后的H;Ji表示第j个特征的序贯指数,即重要性程度;
将一个导联的所有特征看作是一个整体,即对导联的权重进行排序。按照上述过程得到的导联排序,分别取前1导,前2导,…,前N导的特征作为分类器的输入,得到相应导联组合下的识别结果,其中识别率最高的导联组合即为最优组合。
将识别到的美学主观判断分类结果通过声音和画面反馈给参与者。
实施例提供了一种基于脑电信号的视听觉美学评价方法及系统,通过提取视觉审美和听觉审美引起的特异性神经反应特征,构建分类器,对被试的不同审美反应做分类识别并输出反馈结果。采用基于支持向量机的递归特征筛选算法,优化特征组合,根据先验的实验数据,将参与者的审美判断划分为美、一般、不美以及所对应的脑电波信号,来训练分类器,实现参与者审美判断的高精度识别。本发明能够实现视觉、听觉审美的客观评价,有望为审美测评的公平性开拓思路并奠定技术基础。同时,该项发明也有望丰富基于美学的心理疗法在精神病患者中的治疗。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于脑电信号的视听觉美学评价方法,其特征在于,包括:
步骤S1:采集被试进行审美活动时的原始脑电信号,得到被试的EEG原始数据;
步骤S2:对获取到的所述EEG原始数据进行预处理,得到不同条件下同等时长纯净的EEG信号;
步骤S3:利用短时傅里叶变换分别计算δ、θ、α、β和γ五个不同频段的能量密度谱,得到不同频段的能量密度谱特征矩阵;
步骤S4:利用基于支持向量机的递归特征筛选最优特征进行分类器训练,对参与者的审美主观判断进行分类识别,得到参与者的主观判断结果并通过声音和画面提醒反馈给参与者。
2.根据权利要求1所述的基于脑电信号的视听觉美学评价方法,其特征在于,所述步骤S1包括:
步骤S1.1:使用放置在头皮表面的32导联银/氯化银合金电极帽由NeuSen W332系统进行EEG数据采集,获取受试者在进行美学主观评价时32通道的脑电信号,EEG频带滤波为0.5-100Hz,采样频率为1000Hz,电极阻抗保持在5千欧以下;
步骤S1.2:实验过程中,被试坐在距离屏幕约1m的座椅上,保持舒适状态,避免身体出现明显动作。
3.根据权利要求1所述的基于脑电信号的视听觉美学评价方法,其特征在于,所述步骤S2包括:
步骤S2.1:将采集到的原始脑电信号通过降采样降到200Hz,采用50Hz陷波器去除工频干扰;
步骤S2.2:采用共平均参考去除低频成分,截取刺激呈现的前0.5s到呈现后的1.5s,共2s长的数据进行分析;
步骤S2.3:通过fast-ICA算法获取多通道独立成分,并通过Adjust插件探测伪迹干扰并置零,再进一步逆变换回时域信号,去除伪迹干扰。
4.根据权利要求1所述的基于脑电信号的视听觉美学评价方法,其特征在于,所述步骤S3包括:
步骤S3.1:利用短时傅里叶变换分别计算δ、θ、α、β和γ五个不同频段的能量密度谱;
步骤S3.2:分别对δ、θ、α、β和γ五个频段内的能量密度谱求和,得到不同美学判断下的频谱特征。
5.根据权利要求1所述的基于脑电信号的视听觉美学评价方法,其特征在于,所述步骤S4包括:
步骤S4.1:将脑电不同审美特征输入基于支持向量机的递归特征筛选,筛选最优的导联组合,得到分类结果;
其中,支持向量机的代价函数如下式:
Figure FDA0003250897890000021
其中,H=yiyjK(xi,xj),表示第i和第j个样本的元素矩阵,K是衡量样本xi和xj相似性的核函数,y为类别标签,λ为拉格朗日系数,
Figure FDA0003250897890000022
表示λ共轭的转置;
衡量移除某个特征维度之后的代价函数变化情况时,保持λ不变,得到特征的序贯指数为:
Figure FDA0003250897890000023
其中,H(-i)是移除第i个特征后的H;Ji表示第j个特征的序贯指数,即重要性程度;将一个导联的所有特征看作是一个整体,即对导联的权重进行排序,按照上述过程得到的导联排序,分别取前1导,前2导,…,前N导的特征作为分类器的输入,得到相应导联组合下的识别结果,其中识别率最高的导联组合即为最优组合;
步骤S4.2:将识别到的美学主观判断分类结果通过声音和画面反馈给参与者。
6.一种基于脑电信号的视听觉美学评价系统,其特征在于,包括:
模块M1:采集被试进行审美活动时的原始脑电信号,得到被试的EEG原始数据;
模块M2:对获取到的所述EEG原始数据进行预处理,得到不同条件下同等时长纯净的EEG信号;
模块M3:利用短时傅里叶变换分别计算δ、θ、α、β和γ五个不同频段的能量密度谱,得到不同频段的能量密度谱特征矩阵;
模块M4:利用基于支持向量机的递归特征筛选最优特征进行分类器训练,对参与者的审美主观判断进行分类识别,得到参与者的主观判断结果并通过声音和画面提醒反馈给参与者。
7.根据权利要求6所述的基于脑电信号的视听觉美学评价系统,其特征在于,所述模块M1包括:
模块M1.1:使用放置在头皮表面的32导联银/氯化银合金电极帽由NeuSen W332系统进行EEG数据采集,获取受试者在进行美学主观评价时32通道的脑电信号,EEG频带滤波为0.5-100Hz,采样频率为1000Hz,电极阻抗保持在5千欧以下;
模块M1.2:实验过程中,被试坐在距离屏幕约1m的座椅上,保持舒适状态,避免身体出现明显动作。
8.根据权利要求6所述的基于脑电信号的视听觉美学评价系统,其特征在于,所述模块M2包括:
模块M2.1:将采集到的原始脑电信号通过降采样降到200Hz,采用50Hz陷波器去除工频干扰;
模块M2.2:采用共平均参考去除低频成分,截取刺激呈现的前0.5s到呈现后的1.5s,共2s长的数据进行分析;
模块M2.3:通过fast-ICA算法获取多通道独立成分,并通过Adjust插件探测伪迹干扰并置零,再进一步逆变换回时域信号,去除伪迹干扰。
9.根据权利要求6所述的基于脑电信号的视听觉美学评价系统,其特征在于,所述模块M3包括:
模块M3.1:利用短时傅里叶变换分别计算δ、θ、α、β和γ五个不同频段的能量密度谱;
模块M3.2:分别对δ、θ、α、β和γ五个频段内的能量密度谱求和,得到不同美学判断下的频谱特征。
10.根据权利要求6所述的基于脑电信号的视听觉美学评价系统,其特征在于,所述模块M4包括:
模块M4.1:将脑电不同审美特征输入基于支持向量机的递归特征筛选,筛选最优的导联组合,得到分类结果;
其中,支持向量机的代价函数如下式:
Figure FDA0003250897890000031
其中,H=yiyjK(xi,xj),表示第i和第j个样本的元素矩阵,K是衡量样本xi和xj相似性的核函数,y为类别标签,λ为拉格朗日系数,
Figure FDA0003250897890000032
表示λ共轭的转置;
衡量移除某个特征维度之后的代价函数变化情况时,保持λ不变,得到特征的序贯指数为:
Figure FDA0003250897890000041
其中,H(-i)是移除第i个特征后的H;Ji表示第j个特征的序贯指数,即重要性程度;将一个导联的所有特征看作是一个整体,即对导联的权重进行排序,按照上述过程得到的导联排序,分别取前1导,前2导,…,前N导的特征作为分类器的输入,得到相应导联组合下的识别结果,其中识别率最高的导联组合即为最优组合;
模块M4.2:将识别到的美学主观判断分类结果通过声音和画面反馈给参与者。
CN202111045143.0A 2021-09-07 2021-09-07 基于脑电信号的视听觉美学评价方法及系统 Active CN113576498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111045143.0A CN113576498B (zh) 2021-09-07 2021-09-07 基于脑电信号的视听觉美学评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111045143.0A CN113576498B (zh) 2021-09-07 2021-09-07 基于脑电信号的视听觉美学评价方法及系统

Publications (2)

Publication Number Publication Date
CN113576498A true CN113576498A (zh) 2021-11-02
CN113576498B CN113576498B (zh) 2022-06-28

Family

ID=78241285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111045143.0A Active CN113576498B (zh) 2021-09-07 2021-09-07 基于脑电信号的视听觉美学评价方法及系统

Country Status (1)

Country Link
CN (1) CN113576498B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358089A (zh) * 2022-01-24 2022-04-15 北京蕴岚科技有限公司 基于脑电的语音评估模型的训练方法、装置及电子设备
CN114781461A (zh) * 2022-05-25 2022-07-22 北京理工大学 一种基于听觉脑机接口的目标探测方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571505A (zh) * 2014-12-24 2015-04-29 天津大学 一种基于序列性复合肢体想象动作的脑-机接口方法
CN107590445A (zh) * 2017-08-25 2018-01-16 西安电子科技大学 基于脑电信号的美学图像质量评价方法
CN107684424A (zh) * 2017-10-09 2018-02-13 南京大学 一种去除高密度脑电图中冗余信号干扰的方法
CN109224242A (zh) * 2018-09-05 2019-01-18 华南理工大学 基于vr交互的心理放松系统及方法
US20200348662A1 (en) * 2016-05-09 2020-11-05 Strong Force Iot Portfolio 2016, Llc Platform for facilitating development of intelligence in an industrial internet of things system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571505A (zh) * 2014-12-24 2015-04-29 天津大学 一种基于序列性复合肢体想象动作的脑-机接口方法
US20200348662A1 (en) * 2016-05-09 2020-11-05 Strong Force Iot Portfolio 2016, Llc Platform for facilitating development of intelligence in an industrial internet of things system
CN107590445A (zh) * 2017-08-25 2018-01-16 西安电子科技大学 基于脑电信号的美学图像质量评价方法
CN107684424A (zh) * 2017-10-09 2018-02-13 南京大学 一种去除高密度脑电图中冗余信号干扰的方法
CN109224242A (zh) * 2018-09-05 2019-01-18 华南理工大学 基于vr交互的心理放松系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘政等: "基于深度学习的头皮脑电信息解码研究进展", 《中国生物医学工程学报》 *
孙中皋等: "基于脑电信号的情感识别方法综述", 《北京生物医学工程》 *
金晓兵: "美学研究的新取向:神经美学", 《医学与哲学(人文社会医学版)》 *
高妍等: "民乐与国画交互审美的增效效果研究", 《声学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358089A (zh) * 2022-01-24 2022-04-15 北京蕴岚科技有限公司 基于脑电的语音评估模型的训练方法、装置及电子设备
CN114781461A (zh) * 2022-05-25 2022-07-22 北京理工大学 一种基于听觉脑机接口的目标探测方法与系统

Also Published As

Publication number Publication date
CN113576498B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
Zahra et al. Seizure detection from EEG signals using multivariate empirical mode decomposition
CN110765920B (zh) 基于卷积神经网络的运动想象分类方法
Mohan et al. Artificial neural network for classification of depressive and normal in EEG
Cai et al. Pervasive EEG diagnosis of depression using Deep Belief Network with three-electrodes EEG collector
CN106569604B (zh) 视听双模态语义匹配和语义失配协同刺激脑机接口方法
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
CN102835955B (zh) 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法
CN113576498B (zh) 基于脑电信号的视听觉美学评价方法及系统
CN110946576A (zh) 一种基于宽度学习的视觉诱发电位识别情绪方法
CN106510702B (zh) 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法
CN114190944B (zh) 基于脑电信号的鲁棒情绪识别方法
CN109567831A (zh) 一种视觉认知神经机制下产品的偏好意象识别系统和方法
CN117883082A (zh) 一种异常情绪识别方法、系统、设备及介质
CN111671421A (zh) 一种基于脑电图的儿童需求感知方法
CN111772629A (zh) 一种脑认知技能移植的方法
CN110569968A (zh) 基于电生理信号的创业失败恢复力评估方法及评估系统
Razali et al. 2D affective space model (ASM) for detecting autistic children
CN115690528A (zh) 跨主体场景的脑电信号美学评估处理方法、装置、介质及终端
Nawas et al. K-NN classification of brain dominance
Yun et al. A Study on Training Data Selection Method for EEG Emotion Analysis Using Artificial Neural Network
Whitten et al. Auditory event-related potentials index faster processing of natural speech but not synthetic speech over nonspeech analogs in children
Wu et al. Real-time EEG-based Person authentication system using face rapid serial visual presentation
CN108836320A (zh) 一种基于嗅觉脑电波进行感官物质分类的方法
CN108836325A (zh) 一种基于嗅觉脑电波和随机森林进行感官物质分类的方法
Bhargavi et al. Emotion classification using single-channel 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