CN114027840A - 基于变分模态分解的情绪脑电识别方法 - Google Patents

Abstract

本发明提出了一种基于变分模态分解的情绪脑电识别方法，采用变分模态分解方法对脑电信号进行分解与重构，并提取相应模态分量的模糊熵特征，以支持向量机为分类器，建立完备的脑电情绪识别系统，对多种情绪进行有效识别。主要步骤包括：1)设计采集流程，根据范式采集脑电数据；2)对采集的原始脑电数据进行预处理，包括滤波去除工频干扰、去眼电、肌电等伪迹干扰、降低采样率；3)采用变分模态分解方法对预处理后的信号进行分解，得到K个有限带宽的本征模态函数，并计算相应分量的模糊熵；4)根据步骤2)所得的模糊熵构建特征矩阵，送入分类器SVM中计算最终准确率。

Description

基于变分模态分解的情绪脑电识别方法

技术领域

本发明涉及信号处理技术领域，具体地说，是一种基于变分模态分解的情绪脑电识别方法。

背景技术

情绪是情感的心理阶段，与环境、动机、性格等息息相关，严格意义上说情绪与情感并没有明确的界限，它们都可由一些外部刺激如电影、图片、场景和声音等触发。此外，由于各种心理生理变化都会影响大脑活动，因此脑电图就成为一种从神经电信号中读取人类情绪的潜在方法。近年来，研究人员对通过脑机接口建立人与其的情感交互产生了广泛的兴趣。然而，大多数的研究都是基于人的面部表情、语音语调、姿势姿态等判断一个人的情绪，往往这些都具有一定的“伪装性”，不能真实有效的反映个人的情绪状态；众所周知，大脑是人身体的中枢，人的情绪由大脑产生，通过表情、声音等表现出来，且研究证实了大脑皮层蕴含丰富的情绪信息，因此从脑电信号中推断出人类的情绪就成为了一个非常热门的研究方向。

时域分析方法、频域分析方法已经不能满足当前研究的需要，时频分析方法经验模态分解因其自适应性的优势备受研究者的青睐，然而EMD方法产生的端点效应和模态混叠也是大多数研究者的绊脚石，为解决EMD的弊端，Dragomiretskiy等人于2014年提出的变分模态分解方法克服了EMD方法存在端点效应和模态分量混叠的问题，并且具有更坚实的数学理论基础，可以降低复杂度高和非线性强的时间序列非平稳性，分解获得包含多个不同频率尺度且相对平稳的子序列，已经在机械故障诊断领域得到广泛的应用，在情感脑电领域也必将成为后起之秀。

发明内容

本发明的目的是提供一种基于变分模态分解的情绪脑电识别方法，克服了EMD方法存在端点效应和模态分量混叠的问题，能够提取有效的情绪脑电特征，提高不同情绪的识别准确率。

本发明采用的具体技术方案如下：

一种基于变分模态分解的情绪脑电识别方法，该方法包括以下步骤：

步骤1、脑电信号采集：设计实验流程，包含采集对象，评价标准，问卷调查等等，情绪模型采用在效价-唤醒度上的二维模型；不同维度的情绪区分度较大，容易辨别，但是同一象限的情绪相似性较大，是一直以来的一大难题。

步骤2、预处理：将采集的脑电数据分别进行滤波、基线校正、事件提取与分类、重参考、伪迹去除等，得到相对“干净”的脑电信号；值得注意的一点是重参考采用全脑平均参考，且要在移除眼电伪迹之前进行该操作。

步骤3、特征提取：首先采用变分模态分解将脑电信号进行分解，得到k个BLIMF，计算相应BLIMF的模糊熵，构建特征矩阵，值得注意的一点是变分模态分算法需要预定义模态数k，可采用粒子群优化算法全局搜索最优k值。

步骤4、将步骤3得到的特征矩阵输入到支持向量机中，以准确率、精确率、召回率作为评估指标，评价该方法的优劣性。

其中，针对步骤3中的变分模态分解(VMD)做如下说明：

首先，构建变分模态分解的变分模型：

式中{u_k}＝{u₁，…，u_k}代表分解得到的K个模态分量；{ω_k}＝{ω₁，…，ω_k}表示各分量的频率中心，f是原始信号。

为求上述模型的最优解，引入增广的Lagrange函数：

其中α为惩罚因子，λ为拉格朗日乘子。其次，采用交替方向乘子算法不断更新

λⁿ⁺¹求取上述增广拉格朗日函数的“鞍点”，即为约束变分模型的最优解，

λⁿ⁺¹在频域上分别表示为

最后，经过

的迭代更新，从而将原始信号分解成K个有限带宽的模态分量，其中迭代停止条件

通过上述关于变分模态分解的过程可知，变分模态分解本质是在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的中心频率和带宽，从而能够自适应的实现信号的频域剖分以及各分量的有效分离。而分量个数K和惩罚参数α对分解的结果有较大的影响，为了避免人为主观因素的影响，利用粒子群优化算法对VMD的两个参数进行并行优化。

针对步骤4中的特征矩阵，做如下说明：模糊熵(FuzzyEn)与近似熵和样本熵的物理意义相似，都是用来描述信号的复杂度，信号越复杂，熵值越大。步骤3中分解信号得到K个有限带宽的模态分量，为降低数据量，减少特征维数，提高计算速度，根据各个分量的方差贡献率确定对信号影响最大的几个模态分量，随后对筛选出来的模态分量进行相应的模糊熵计算，组成特征矩阵。识别分类器选用线性核函数的支持向量机，评估指标

准确率：Accuracy＝(TP+TN)/(TP+FN+FP+TN)

精确率：Precision＝TP/(TP+FP)

召回率：Recall＝TP/(TP+FN)。

其中，TP表示将正类样本预测为正类的个数，TN表示将正类样本预测为负类样本的个数，FP表示将负类样本预测为正类的个数，FN表示将负类样本预测为负类的个数。

与已有技术相比，本发明的有益效果体现在：

1、变分模态分解有效的避免了经验模态分解在处理信号时的两个弊端：端点效应和模态混叠，且对采样和噪声具有较强的鲁棒性。在情绪脑电领域，变分模态分解方法处理非线性、非平稳的时变信号具有很大的潜力。

2、变分模态分解既可用于信号的分解与重构去噪声去除，也可对分解的模态分量进行特征提取，减少特征维数，提高计算速度。同时对分解的模态分量进行模糊熵特征提取，可以准确的找出与不同情绪相关的频率范围和带宽，为进一步的情绪识别研究提供研究思路。

3、粒子群优化算法具有良好的全局搜索能力，广泛用于最优值的选取，对于变分模态分解中两个参数的选择有较强的指导意义，有效的避免了人为的干扰，提高情绪识别准确率。

附图说明

图1是本发明的方法流程示意图。

图2是10-20国际标准系统64通道的电极放置位置图。

图3是本发明二维情绪模型图。

图4是本发明变分模态分解算法总体流程图。

具体实施方式

为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。

实施例：如图1所示，一种基于变分模态分解的情绪脑电识别方法，主要包含采集脑电信号、对脑电信号进行预处理、特征提取和分类识别等，具体如下：

步骤1：图2是64通道的电极位置放置图，医学上将人的大脑分为前额、中央区、颞叶、顶叶、枕叶等几个部分，据此研究人员设计出脑区电极图，Z代表位于中线区，F代表额区，C代表中央区，T代表颞区，P代表顶区，O代表枕区，奇数位于左侧，偶数位于右侧。将电极帽给受试者戴好后，根据实验范式采集多位受试者的脑电数据，通过不同类型的视频、音频等刺激受试者使之产生相应的情绪，将每个受试者的数据保存，并打好相应的标签；

步骤2：对脑电信号进行预处理，首先截取有效片段，将给与受试者前一段和将要结束刺激的两个无效片段丢掉，减小数据量，其次进行通道定位，总体查看脑电信号，删除无用或干扰明显的片段，最后进行一系列的常规操作，滤波、降低采样率、平均参考、基线校正、去除眼电等。

步骤3：利用粒子群优化算法寻找变分模态分解的最优输入参数，由于VMD算法和EMD算法理论依据不同，因此二者之间存在显著的差异；其中最大的一个差别是VMD算法处理信号时要预先设定分解所得的模态分量个数K，K的大小不同决定了最后的结果不同。另外，变分模态分解算法中惩罚参数α对分解结果也有着不同程度的影响，α越小，分解所得各个模态分量的带宽就越大，因此在VMD算法中选择合适的参数组合是目前分析情绪脑电信号的关键所在。粒子群优化算法是一种群体智能优化算法，具有良好的全局搜索能力，正适用于寻找VMD算法的最优参数组合。

步骤4：VMD算法流程如图4所示，经过步骤3的PSO算法找到最优的模态分量K和惩罚参数α组合值，进行变分模态分解。在变分模态分解算法中，模态分量被重新定义为一个调幅-调频信号，表示为u_k(t)＝A_k(t)cos(φ_k(t))，式中A_k(t)为u_k(t)的瞬时幅值；

为u_k(t)的瞬时频率，但在VMD算法中，各个模态分量是直接在频域中不断迭代更新，最后通过傅里叶逆变换变换到时域，并且各个模态的功率谱中心是其分量的中心频率，在每次循环中重新计算更新。

步骤5：计算相应分量的模糊熵，组成特征矩阵，模糊熵有多种定义方式，其中以信息熵的定义为：

其中k是常数且k>0，A是模糊集E(A)是A的模糊熵。设特征矩阵T＝[E1,E2…En]，组成的特征矩阵将作为分类器的输入，进行下一步的情绪识别与分类。

步骤6：分类器选用情绪识别领域最常用的支持向量机，核函数选用线性核函数，为保证结果的有效性，分别选用三个评估指标：准确率、精确率、召回率。

综上所述，本发明提出一种基于变分模态分解的情绪脑电识别方法，与传统方法相比本发明充分利用的EEG原始信号所含有的相关信息，利用粒子群优化算法对变分模态分解的两个参数进行寻优，得到K个有限带宽的本征模态函数，并在此基础上提取非线性特征模糊熵，组成特征矩阵，以支持向量机为分类器，从多个评估角度评价分类结果，总体来看切实可行。以上详细描述了本发明的具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验得到的技术方案，皆应在由权力要求书所确定的保护范围之内。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于变分模态分解的情绪脑电识别方法，其特征在于，该方法包括以下步骤：

步骤1、脑电信号采集：设计实验流程，包含采集对象、评价标准、问卷调查和情绪模型建立，其中，情绪模型采用在效价-唤醒度上的二维模型，脑电采集装置按照国际标准10-20系统摆放；

步骤2、预处理：将采集的脑电数据分别进行滤波、基线校正、事件提取与分类、重参考、伪迹去除，得到相对“干净”的脑电信号；

步骤3、特征提取：首先采用变分模态分解将脑电信号进行分解，得到K个BLIMF，计算相应BLIMF的模糊熵，构建特征矩阵，变分模态分算法预定义模态数K采用粒子群优化算法全局搜索最优K值；

步骤4、将步骤3得到的特征矩阵输入到支持向量机中，以准确率、精确率、召回率作为评价指标，评价不同脑电情绪识别效率。

2.根据权利要求1所述的基于变分模态分解的情绪脑电识别方法，其特征在于，在步骤3中利用二次惩罚因子和拉格朗日算子将约束变分问题变为非约束变分问题，完成变分模型的求解，变分模型如下式所示：

s.t.

上式中：{u_k}＝{u₁，…，u_k}代表分解得到的K个模态分量；

{ω_k}＝{ω₁，…，ω_k}表示各分量的频率中心，f是原始信号，为获得变分模型的最优解，引用交替方向乘子算法不断更新

λⁿ⁺¹求取上述增广拉格朗日函数的“鞍点”，即为约束变分模型的最优解，

λⁿ⁺¹在频域上分别表示为

最后，经过

的迭代更新，从而将原始信号分解成K个有限带宽的模态分量。

3.根据权利要求2所述的基于变分模态分解的情绪脑电识别方法，其特征在于，变分模态分解采用粒子群优化算法。

4.根据权利要求3所述的基于变分模态分解的情绪脑电识别方法，其特征在于，在变分模态分解产生K个有限带宽的本征模态函数中选出前5个贡献率最高的模态分量，进行模糊熵的计算，组成特征矩阵。

5.根据权利要求4所述的基于变分模态分解的情绪脑电识别方法，其特征在于，将贡献率最高的五个模态分量分别命名为IMF1-IMF5，模糊熵算法中n取2，r取值0.15×std，进行模糊熵计算，将结果作为特征矩阵。

6.根据权利要求5所述的基于变分模态分解的情绪脑电识别方法，其特征在于，将经过筛选的具有一定判别性的特质矩阵作为分类识别器SVM的输入，SVM选用高斯核函数，将准确率、精确率、召回率作为评估指标，评价该方法的优劣性。

7.根据权利要求6所述的基于变分模态分解的情绪脑电识别方法，其特征在于，分类识别器SVM选用线性核函数的支持向量机，评估指标

准确率：Accuracy＝(TP+TN)/(TP+FN+FP+TN)

精确率：Precision＝TP/(TP+FP)

召回率：Recall＝TP/(TP+FN)

其中，TP表示将正类样本预测为正类的个数，TN表示将正类样本预测为负类样本的个数，FP表示将负类样本预测为正类的个数，FN表示将负类样本预测为负类的个数。

Images