基于脑电信号的消极情绪检测

• 作 者: 王玫
• 机 构: 江苏科技大学
• 出 处: 江苏科技大学
• 发表日期: 2022年01期
• 关键词: 情绪识别 脑电信号 多元变分模态分解 共空间模式算法 支持向量机

情绪是人类复杂的生理和心理现象的综合表现,渗透于人们日常生活的方方面面,快乐的情绪状态可以提高人们的生活品质,而悲伤或者其他负面情绪状态则对人类的生活产生极大的负面影响,长期持续的消极情绪还可能会诱发常见的心理疾病,如抑郁症。因此基于脑电信号的消极情绪检测有非常重要的现实价值。目前,随着脑机接口技术的不断更新,人们开始利用不同的情绪信息使得人机交互更加真实、自然。为此学者们开展了关于情绪识别的一系列研究,使计算机可以通过识别受试者的某种情绪状态做出更加人性化的反映。目前基于语言、面部表情、姿态等方面的情绪识别研究如火如荼,但面部表情或身体姿态可以通过伪装表达虚假的情绪,因此,一种新兴的、更具真实性的研究方式备受关注,基于脑电信号的情绪识别日趋壮大。大脑是情绪调控的中枢,边缘系统和大脑皮层均与情绪活动密切相关,且研究证实了脑电信号是大脑神经细胞对电生理活动的直接反应,蕴含更加丰富的情绪信息,因此基于脑电的情绪识别比传统的方法更加稳定、可靠、准确性更高。基于此,本文通过提取脑电信号的情绪特征,对情绪的效价维度（高效价、低效价）进行识别,并对低效价情绪（消极情绪）进行了详细的分析,主要研究内容如下:1.基于MVMD方法提取不同情绪的脑电特征,MVMD在分析多通道、非线性、非平稳的脑电信号中发挥着独特的优势。首先,通过对比本征模态函数的中心频率选取MVMD所需要的参数分解的模态个数K,以及与模态分量精度相关的惩罚系数α;其次分别提取了K个本征模态函数的19个特征包括6个时域特征、4个频域特征、8个非线性动力学特征以及CSP方差特征,最后,以SVM作为分类器,为避免实验结果的随机性和偶然性,选用5次5折交叉验证,结果显示不论是在公开数据集DEAP还是SEED上,MVMD与CSP结合提取的方差情绪脑电特征更易区分不同的情绪;其中,DEAP数据集IMF3-CSP方差特征平均最高识别准确率可达70.01%,SEED数据集最高识别准确率为87.33%,说明MVMD与CSP方法结合提取的方差特征在跨受试者情绪识别的有效性,为后续进行不同分类器的评估和消极情绪的深入分析提供了参考。2.为进一步展示本文所研究的方法能够实现良好的效价识别性能,本文选用特征选择方法（Relief特征选择算法）以及三种分类器模型（SVM、k-NN、RF）,采用多种评估指标,分析降维前后特征选择算法是否对模型性能的提升有所帮助,首先对多维特征进行了Relief降维处理,选出最具区分能力的前10维特征,其次通过SVM、k近邻和随机森林等分类器对IMF3-CSP方差特征进行了特征降维前后的分类识别,实验证实了采用Relief算法可以提高分类器模型的性能,且采用线性核函数的SVM模型更适用于跨受试者的情绪识别,在SEED数据集上最高识别精度达到了90.00%,模型的AUC值提高了0.0577。实验证明IMF3包含更多的情绪信息,且在SVM上表现出更好的识别性能,为进一步研究消极情绪奠定了基础。3.本文重点分析了对消极情绪敏感的脑区、频带、通道位置以及性别。研究结果表明前半球识别率要高于后半球识别率,左半球识别率高于右半球识别率,左半球的识别率最高,达到了75.33%,且前、后、左、右半球等四个区域的识别率要略高于左前、左后、右前、右后等区域的识别率（左前区除外）,说明通道数越多包含的情绪信息越多,分类模型对于不同情绪的区分能力越强。通过对电极位置的研究发现11个与消极情绪相关的电极位置且主要分布在大脑的左前区,也就是左额叶部分,这与大部分人的研究结果一致,为将来消极情绪的脑区研究打下了基础。按照频率对脑电信号进行划分,通过巴特沃斯滤波器将带宽在3-35Hz的IMF2分量分解为、和波段,以此来分析消极情绪在不同频率范围内的关联程度,结果表明频段和频段或将是研究消极情绪的关键频段范围。在DEAP数据集基础上,对消极情绪在不同性别表现上的差异进行了研究,发现女性的消极情绪识别明显比男性更加容易,女性消极情绪的识别率平均为59.52%,男性消极情绪识别略低为57.01%。