【摘要】：情緒作為一種綜合了人的感覺(jué)、思想和行為的復(fù)雜活動(dòng),是人對(duì)外界環(huán)境或自發(fā)產(chǎn)生的生理及心理反應(yīng)。起初,人們僅粗略地通過(guò)外部明顯的聲音、語(yǔ)調(diào)、音量變化等來(lái)主觀揣測(cè)人各種不同的情緒狀態(tài)。隨著科學(xué)技術(shù)的不斷進(jìn)步,逐漸以脈搏、血壓、體溫、腦電(Electroencephalogram,EEG)和功能性磁共振成像技術(shù)(Functional Magnetic Resonance Imaging,fMRI)等客觀性生理信號(hào)識(shí)別人不同的情緒狀態(tài)。由于腦電的低偽裝性及較高的時(shí)間分辨率逐漸被廣泛應(yīng)用于情緒識(shí)別的研究領(lǐng)域中。腦電采集是由多個(gè)緊貼頭皮不同位置的導(dǎo)聯(lián)在人的大腦皮層或頭皮表面記錄到的大腦神經(jīng)元的自發(fā)性、節(jié)律性電活動(dòng),通過(guò)電路系統(tǒng),經(jīng)由放大器獲得并記錄的波形信號(hào)。人類不同情緒狀態(tài)經(jīng)記錄獲得的腦電信號(hào)是所有神經(jīng)元的電活動(dòng)在大腦皮層的共同反映。有研究表明,腦電信號(hào)的高頻成分(如γ和β波段)比起低頻段更能較好地反映人不同的情緒狀態(tài)。此外,由于人們將大腦看成復(fù)雜的非線性系統(tǒng),非線性特征也已逐漸成為腦電數(shù)據(jù)分析中的研究熱點(diǎn)。例如,通過(guò)樣本熵實(shí)現(xiàn)高低喚醒度和高低愉悅度的情緒識(shí)別。在情緒識(shí)別分類中應(yīng)用微分熵(Differential Entropy,DE)作為特征值進(jìn)行機(jī)器分類學(xué)習(xí),得到84.22%較高的分類正確率�？梢�(jiàn)非線性腦電特征對(duì)情緒識(shí)別具有較高的分類率。然而較高的情緒分類率往往伴隨腦電數(shù)據(jù)量和導(dǎo)聯(lián)數(shù)目的增加,不利于情緒的快速分析。針對(duì)這一問(wèn)題,本研究通過(guò)尋找合理算法,提取腦電各導(dǎo)聯(lián)的特征,找到與情緒密切相關(guān)的線性和非線性的腦電特征,由此篩選出與情緒識(shí)別密切相關(guān)的少數(shù)導(dǎo)聯(lián),為實(shí)現(xiàn)基于情緒的快速實(shí)時(shí)分析提供可能。我們首先設(shè)計(jì)了基于圖片刺激的情緒誘發(fā)范式,并利用腦電設(shè)備采集30名男性健康被試觀看四類情緒圖片(HVLA,LVLA,HVHA,LVHA,分別描述為輕松、沮喪、愉悅、恐懼情緒)時(shí)的腦電信號(hào),再將原始腦電信號(hào)進(jìn)行偽跡去除處理,獲得較為純凈的腦電信號(hào)。其次,利用小波變換的線性分析法對(duì)腦電信號(hào)進(jìn)行分解,每個(gè)導(dǎo)聯(lián)提取出兩種不同節(jié)律波段的頻率信號(hào):β節(jié)律(13-30Hz)、γ節(jié)律(30-45Hz);并提取每個(gè)導(dǎo)聯(lián)兩種非線性特征:微分熵、信息熵。最后采用Fisher分?jǐn)?shù)(F-score)算法篩選所有導(dǎo)聯(lián)的腦電特征,并使用支持向量機(jī)(Support Vector Machine,SVM)對(duì)四種情緒進(jìn)行分類。本研究實(shí)驗(yàn)設(shè)計(jì)過(guò)程中為確保每類情緒誘導(dǎo)的有效性,利用SAM自評(píng)分模型,選擇每類情緒圖片的有效評(píng)分?jǐn)?shù)量達(dá)到此類型情緒圖片數(shù)量一半以上時(shí)的被試EEG數(shù)據(jù)進(jìn)行分析,從而篩選出成功誘發(fā)相應(yīng)情緒的24名被試,最終獲得可用的腦電數(shù)據(jù)。根據(jù)24名被試的腦電數(shù)據(jù),首次利用F-score和SVM聯(lián)合算法篩選出四個(gè)特征組合:β頻帶、γ頻帶、信息熵、微分熵,并以此作為情緒有效性評(píng)價(jià)指標(biāo)。根據(jù)每個(gè)導(dǎo)聯(lián)四個(gè)F-score得分均值,篩選出分類率高達(dá)81.15%的5個(gè)導(dǎo)聯(lián)組合:FT7,T7,FC4,TP10,O1;以及分類率高達(dá)83.69%的6個(gè)導(dǎo)聯(lián):FT7,T7,FC4,TP10,O1,FP1。并繪制四種不同情緒狀態(tài)下,以信息熵和微分熵為特征的腦電地形圖,從另一方面說(shuō)明上述所選特征和少數(shù)導(dǎo)聯(lián)的有效性�？偨Y(jié)本研究成果:利用校正后的F-score算法首次篩選出了腦電信號(hào)的特征組合,獲得與情緒密切相關(guān)的少數(shù)導(dǎo)聯(lián),極大地降低了運(yùn)算時(shí)間,該結(jié)果對(duì)實(shí)現(xiàn)情緒的快速識(shí)別和監(jiān)測(cè)及人機(jī)交互技術(shù)的發(fā)展有重要意義。
【學(xué)位授予單位】：安徽醫(yī)科大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：R318.04;TN911.7
【圖文】：

材料與方法我們根據(jù)前期的實(shí)驗(yàn)設(shè)計(jì)，確定了以下實(shí)驗(yàn)流程（圖 1）。首先為了在不同情緒狀態(tài)下的 EEG 信號(hào)的有效性，我們選用情緒圖片誘發(fā)相應(yīng)的情緒，并將不同被試的 EEG 信號(hào)進(jìn)行記錄與保存，然后對(duì)被并通過(guò)分析處理相應(yīng)腦電信號(hào)，選擇合適的數(shù)據(jù)處理算法，最后找信號(hào)對(duì)人不同情緒狀態(tài)的評(píng)估方法。

（low valence and high arousal），并分別以輕松情緒、沮喪情緒、愉悅情緒、恐懼情緒作為相應(yīng)情緒類型的代表。其中沮喪情緒圖片15張，圖片效價(jià)評(píng)分2.88±0.62、喚醒度評(píng)分 4.97±0.69；輕松情緒圖片 15 張，圖片效價(jià)評(píng)分 6.72±0.49、喚醒度評(píng)分 3.77±0.97；恐懼情緒圖片 15 張，圖片效價(jià)評(píng)分 2.44±1.04、喚醒度評(píng)分 6.54±0.60；愉悅情緒圖片 15 張，圖片效價(jià)評(píng)分 7.26±0.44、喚醒度評(píng)分 5.80±0.66（圖 2-4）。

low valence and high arousal），并分別以輕松情緒、沮喪情緒、愉悅情緒、恐緒作為相應(yīng)情緒類型的代表。其中沮喪情緒圖片15張，圖片效價(jià)評(píng)分2.88±0.6醒度評(píng)分 4.97±0.69；輕松情緒圖片 15 張，圖片效價(jià)評(píng)分 6.72±0.49、喚醒分 3.77±0.97；恐懼情緒圖片 15 張，圖片效價(jià)評(píng)分 2.44±1.04、喚醒度評(píng)分 6.0.60；愉悅情緒圖片 15 張，圖片效價(jià)評(píng)分 7.26±0.44、喚醒度評(píng)分 5.80±0.圖 2-4）。圖 2 實(shí)驗(yàn)所用的四類情緒圖片F(xiàn)ig 2 Four types of emotional pictures in the experiment

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王欣;靳靜娜;李松;劉志朋;殷濤;;厭惡與悲傷情境圖片誘發(fā)負(fù)性情緒的腦電機(jī)制差異探索[J];生物醫(yī)學(xué)工程學(xué)雜志;2015年06期

2 陳志華;蘇雅;;視覺(jué)刺激情感變化β波同步分析[J];大連交通大學(xué)學(xué)報(bào);2015年04期

3 劉瓏;李勝;王軼卿;;基于小波包變換的腦電波信號(hào)降噪及特征提取[J];計(jì)算機(jī)工程與科學(xué);2015年04期

4 王欣杰;李海峰;馬琳;吳明權(quán);;基于F-score的大數(shù)據(jù)公共空間模式選擇方法[J];燕山大學(xué)學(xué)報(bào);2014年05期

5 王曉椺;石立臣;呂寶糧;;干電極腦電采集技術(shù)綜述[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2010年05期

6 謝娟英;王春霞;蔣帥;張琰;;基于改進(jìn)的F-score與支持向量機(jī)的特征選擇方法[J];計(jì)算機(jī)應(yīng)用;2010年04期

7 馬翔宇;陳志華;鄒颯楓;趙力;;基于主成分分析的音樂(lè)事件相關(guān)腦電變化研究[J];現(xiàn)代生物醫(yī)學(xué)進(jìn)展;2009年03期

8 CICHOCKI Andrzej;;EEG-based asynchronous BCI control of a car in 3D virtual reality environments[J];Chinese Science Bulletin;2009年01期

9 羅躍嘉;黃宇霞;李新影;李雪冰;;情緒對(duì)認(rèn)知加工的影響:事件相關(guān)腦電位系列研究[J];心理科學(xué)進(jìn)展;2006年04期

10 江朝暉,劉大路,馮煥清,袁宇;腦電復(fù)雜性的一種新特征[J];數(shù)據(jù)采集與處理;2005年01期

相關(guān)博士學(xué)位論文 前4條

1 彭宏;普適化腦電信息感知關(guān)鍵問(wèn)題的研究[D];蘭州大學(xué);2015年

2 李小偉;腦電、眼動(dòng)信息與學(xué)習(xí)注意力及抑郁的中文相關(guān)性研究[D];蘭州大學(xué);2015年

3 李俊華;腦活動(dòng)狀態(tài)EEG信號(hào)解碼方法及其應(yīng)用[D];上海交通大學(xué);2012年

4 周仲興;復(fù)合下肢想象動(dòng)作電位的特征識(shí)別新技術(shù)研究[D];天津大學(xué);2009年

相關(guān)碩士學(xué)位論文 前4條

1 楊鵬圓;基于小波包和Hilbert-Huang變換的情感腦電識(shí)別研究[D];太原理工大學(xué);2014年

2 奕偉波;基于復(fù)合肢體想象動(dòng)作的腦電特征識(shí)別技術(shù)研究[D];天津大學(xué);2012年

3 聶聃;基于腦電的情感識(shí)別[D];上海交通大學(xué);2012年

4 陳曾;腦電信號(hào)在情感識(shí)別中的研究[D];西南大學(xué);2010年

本文編號(hào)：2803477