论文部分内容阅读
情感在人类日常生活中扮演着一个相当重要的角色,是人类认知能力的重要体现。情感计算目的是赋予计算机具备理解人的情感的能力,其中情感识别是情感计算的关键技术。随着近些年来脑电信号采集设备的迅速发展,脑电数据的相关研究已经成为人工智能、脑机接口、情感计算、医疗卫生等领域的热门研究课题。本文就如何利用脑电信号对不同状态的情感进行识别的问题进行研究。针对脑电信号情感识别方法中的两大问题,去眼电伪迹和模式识别,本文做出如下的主要研究内容:(1)脑电信号具有敏感性和微弱性的特点,在采集过程中容易混入眼电伪迹,影响着后续的特征提取工作。针对混叠于脑电信号中的眼电伪迹,本文提出了基于多变量经验模态分解和独立成分分析的混合去眼电伪迹算法。该算法首先利用多变量经验模态分解对原始脑电信号进行分解,把每条通道的脑电信号分解成数量相同的多个本征模态函数,根据眼电伪迹与脑电信号之间频率和幅值的区别,从多变量本征模态函数成分中提取与眼电伪迹相关的成分,然后利用独立成分分析算法移除上述成分中的眼电伪迹,最后重构得到纯净脑电信号。实验中,比较了本文提出的算法与其他主流算法,验证了此方法在信噪比和均方误差指标上均有更好的效果。(2)医学研究表明,人类大脑在进行认知识别任务的时候,是多个脑区共同工作完成的。在传统的情感识别方法上,特征提取的关注点一般在脑电信号的时域特征、频域特征、统计特征上,这些特征的提取是独立于每条通道的,缺乏一定的关联性。针对上述问题,本文提出了一种新的特征以及一个基于卷积神经网络的情感识别模型。该模型提取了脑电信号的微分熵相关矩阵特征,该特征符合大脑各区协同工作的特性,把各个通道的情感特征相互联系起来,并作为卷积神经网络的输入。从而利用卷积神经网络的自动学习深层次特征的特点,使情感识别的准确率得到了提升。最后,在公开情感数据集上,本文算法取得了98.74%的分类准确率。