本文選題：情感識(shí)別 + 分形維數(shù)��； 參考：《南京郵電大學(xué)》2017年碩士論文

【摘要】：如今有關(guān)腦電信號(hào)(EEG)的相關(guān)研究已經(jīng)成為腦機(jī)接口(BCI)、人工智能(AI)、計(jì)算機(jī)科學(xué)及醫(yī)療衛(wèi)生等領(lǐng)域的熱門話題,其中基于腦電信號(hào)的情感識(shí)別研究正日趨火熱,無論是將情感識(shí)別應(yīng)用人工智能,還是用于輔助抑郁癥及自閉癥等精神類疾病發(fā)病機(jī)制的研究和治療上,都具有重要的價(jià)值和意義。本文將腦電信號(hào)的分形特性引入情感識(shí)別的研究中,即將腦電信號(hào)的Higuchi維數(shù)作為特征值以區(qū)分不同的情感狀態(tài)。具體的研究內(nèi)容劃分為三大部分,第一部分,設(shè)計(jì)實(shí)驗(yàn),收集實(shí)驗(yàn)素材,誘發(fā)實(shí)驗(yàn)對(duì)象讓其處于不同的情感狀態(tài),并獲取對(duì)應(yīng)的EEG數(shù)據(jù);第二部分,計(jì)算腦電信號(hào)的Higuchi維數(shù)(HF)值,并以此作為特征值分別算出兩類支持向量機(jī)(SVM)分類算法下的分類準(zhǔn)確率;第三部分,基于第二部分的分析結(jié)果,進(jìn)一步運(yùn)用腦電信號(hào)的Higuchi維數(shù)特征,并配合三種分類算法,分析與情感狀態(tài)關(guān)聯(lián)強(qiáng)的頻率段和腦部區(qū)域。第二部分在獲取分類準(zhǔn)確率之前,選用主成分分析(PCA)對(duì)62導(dǎo)聯(lián)EEG信號(hào)實(shí)現(xiàn)降維,并最終保留了6導(dǎo)聯(lián)腦電信號(hào),每一導(dǎo)聯(lián)信號(hào)經(jīng)運(yùn)算共計(jì)得到10組HF值,各取愉悅、平靜、悲傷狀態(tài)下的一個(gè)HF值構(gòu)成三維的特征向量,通過兩類支持向量機(jī)和10層交叉驗(yàn)證法得出最后的分類準(zhǔn)確率,最終結(jié)果是線性核支持向量機(jī)獲得最高83.33%的分類準(zhǔn)確率,至此,表明EEG信號(hào)的分形特性可用于區(qū)分腦電信號(hào)所代表的情感狀態(tài)的差異。第三部分,考慮到腦電信號(hào)情感識(shí)別將來會(huì)運(yùn)用到實(shí)際的生活中,而使用全部的64個(gè)數(shù)據(jù)采樣點(diǎn)進(jìn)行數(shù)據(jù)采樣不太態(tài)現(xiàn)實(shí),因此減少采樣點(diǎn)的數(shù)目勢(shì)在必行,同時(shí)鑒于腦電信號(hào)固有的節(jié)律特性,本章繼續(xù)借助HF值來尋找與情感關(guān)聯(lián)度最大的腦部區(qū)域和頻率段,選用支持向量機(jī)、素貝葉斯以及K近鄰分析作為分類算法,最終得到12位實(shí)驗(yàn)對(duì)象的累計(jì)準(zhǔn)確率,數(shù)據(jù)分析結(jié)果表明,頻率較高的Alpha、Beta以及Gamma頻段獲得累計(jì)準(zhǔn)確率明顯高于頻率較低的頻率段,其次,在單獨(dú)分析累計(jì)準(zhǔn)確率相對(duì)穩(wěn)定的Beta頻段,試圖找尋特定腦部區(qū)域時(shí),分析發(fā)現(xiàn)額區(qū)、顳區(qū)及其周邊采樣點(diǎn)的HF值具有較高的累計(jì)分類準(zhǔn)確率,至此可證明EEG信號(hào)的分形特性可用于情感狀態(tài)的識(shí)別。
[Abstract]:Nowadays, the research on EEG has become a hot topic in the fields of brain-computer interface (BCI), artificial intelligence (AI), computer science, medical and health, etc. Among them, the research on emotion recognition based on EEG is getting hotter and hotter. It is of great value and significance not only to apply artificial intelligence to emotion recognition, but also to study and treat the pathogenesis of mental diseases such as depression and autism. In this paper, the fractal characteristics of EEG signals are introduced into the study of emotion recognition. The Higuchi dimension of EEG signals is taken as the eigenvalue to distinguish different emotional states. The specific research contents are divided into three parts. The first part is to design experiments, collect experimental materials, induce experimental objects to be in different emotional states, and obtain corresponding EEG data. The Higuchi dimension of EEG is calculated and the classification accuracy of two kinds of support vector machine (SVM) classification algorithms is calculated as the eigenvalue. The third part is based on the analysis results of the second part. Using the Higuchi dimension feature of EEG signal and three classification algorithms, the frequency segment and brain region which are strongly correlated with emotional state are analyzed. In the second part, before the classification accuracy is obtained, principal component analysis (PCA) is used to reduce the dimension of 62-lead EEG signal, and finally the 6-lead EEG signal is retained. After operation, 10 groups of HF values are obtained for each lead signal, each of which is pleasurable and calm. A HF value in a sad state constitutes a three-dimensional feature vector. The final classification accuracy is obtained by two kinds of support vector machines and a 10-layer cross-validation method. The final result is that the linear kernel support vector machine obtains the highest classification accuracy of 83.33%. It shows that the fractal characteristics of EEG signal can be used to distinguish the difference of emotional state represented by EEG signal. In the third part, considering that EEG emotion recognition will be used in real life in the future, it is not very realistic to use all 64 data sampling points to sample data, so it is imperative to reduce the number of sampling points. At the same time, in view of the inherent rhythmic characteristics of EEG signals, this chapter continues to use HF value to find the regions and frequencies of the brain with the greatest affective correlation, and selects support vector machines, Bayes and K-nearest neighbor analysis as classification algorithms. Finally, the cumulative accuracy of 12 experimental subjects was obtained. The results of data analysis showed that the accumulative accuracy of Alpha-Beta and Gamma bands with higher frequency was significantly higher than that of the frequency band with lower frequency. When the Beta frequency band with relatively stable accumulative accuracy was analyzed separately, the HF values of frontal region, temporal region and their peripheral sampling points were found to have higher accumulative classification accuracy when trying to find specific brain regions. It is proved that the fractal characteristics of EEG signal can be used to identify the emotional state.
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R318;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 魯強(qiáng);劉玉軍;徐建蘭;張進(jìn)祿;;一種適用于清醒動(dòng)物腦電信號(hào)采集的固定裝置[J];首都醫(yī)科大學(xué)學(xué)報(bào);2011年06期

2 ;腦電信號(hào)處理的研究取得階段性成果[J];河北師范大學(xué)學(xué)報(bào);1987年01期

3 李志瑞;張文杰;;通用腦電信號(hào)處理——微機(jī)系統(tǒng)初探[J];河北師范大學(xué)學(xué)報(bào);1988年Z1期

4 孟欣，，歐陽楷;腦電信號(hào)的幾個(gè)非線性動(dòng)力學(xué)分析方法[J];北京生物醫(yī)學(xué)工程;1997年03期

5 吳小培,馮煥清,周荷琴,王濤;獨(dú)立分量分析及其在腦電信號(hào)預(yù)處理中的應(yīng)用[J];北京生物醫(yī)學(xué)工程;2001年01期

6 李英遠(yuǎn),周衛(wèi)東;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在腦電信號(hào)建模中的應(yīng)用[J];山東生物醫(yī)學(xué)工程;2002年02期

7 劉大路,江朝暉,馮煥清,王聰;基于腦電信號(hào)時(shí)空分布信息的思維特征研究[J];北京生物醫(yī)學(xué)工程;2004年02期

8 許崇濤,沈民奮,李慧,朱國平;雙譜分析方法在腦電信號(hào)分析中的應(yīng)用[J];中國行為醫(yī)學(xué)科學(xué);2004年03期

9 湯曉軍,宋卓,楊卓,張濤;雙任務(wù)事件中腦電信號(hào)的熵計(jì)算(英文)[J];生物物理學(xué)報(bào);2005年05期

10 蔣辰偉;章悅;曹洋;朱國行;顧凡及;王斌;;腦死亡與腦昏迷腦電信號(hào)的復(fù)雜度研究[J];生物物理學(xué)報(bào);2008年02期

相關(guān)會(huì)議論文 前10條

1 薛蘊(yùn)全;王秋英;王宏;;腦電信號(hào)的動(dòng)態(tài)時(shí)空響應(yīng)拓?fù)鋱D[A];中國儀器儀表學(xué)會(huì)第三屆青年學(xué)術(shù)會(huì)議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號(hào)診斷專家系統(tǒng)的研究[A];中國生理學(xué)會(huì)第21屆全國代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2002年

3 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號(hào)采集方法與應(yīng)用研究[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

4 許濤;朱林劍;包海濤;;基于思維腦電信號(hào)的假手的研究[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國家——2006中國科協(xié)年會(huì)論文集（下冊(cè)）[C];2006年

5 李愛新;孫鐵;郭炎峰;;基于人工神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)模式分類[A];自動(dòng)化技術(shù)與冶金流程節(jié)能減排——全國冶金自動(dòng)化信息網(wǎng)2008年會(huì)論文集[C];2008年

6 童珊;黃華;陳槐卿;;混沌理論在腦電信號(hào)分析中的應(yīng)用[A];中國生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

7 李凌;曾慶寧;堯德中;;利用兩級(jí)抗交叉串?dāng)_自適應(yīng)濾波器提取誘發(fā)腦電信號(hào)[A];中國生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

8 葛家怡;周鵬;王明時(shí);;睡眠腦電信號(hào)樣本熵的研究[A];中國生物醫(yī)學(xué)工程進(jìn)展——2007中國生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2007年

9 李麗君;黃思娟;吳效明;熊冬生;;基于運(yùn)動(dòng)想象的腦電信號(hào)特征提取與分類[A];中國儀器儀表學(xué)會(huì)醫(yī)療儀器分會(huì)2010兩岸四地生物醫(yī)學(xué)工程學(xué)術(shù)年會(huì)論文集[C];2010年

10 葛家怡;周鵬;王明時(shí);;睡眠腦電信號(hào)樣本熵的研究[A];天津市生物醫(yī)學(xué)工程學(xué)會(huì)2007年學(xué)術(shù)年會(huì)論文摘要集[C];2007年

相關(guān)重要報(bào)紙文章 前3條

1 張文清　記者 王春;意念控制車速及左右轉(zhuǎn)彎前行[N];科技日?qǐng)?bào);2008年

2 記者　邰舉;韓開發(fā)出腦電波情感識(shí)別技術(shù)[N];科技日?qǐng)?bào);2007年

3 黃力行邋陶建華;多模態(tài)情感識(shí)別參透人心[N];計(jì)算機(jī)世界;2007年

相關(guān)博士學(xué)位論文 前10條

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

2 吳玉鵬;AR譜在皮層癇樣腦電信號(hào)分析應(yīng)用[D];河北醫(yī)科大學(xué);2015年

3 馬小飛;認(rèn)知任務(wù)下的腦電動(dòng)力學(xué)分析[D];南京大學(xué);2017年

4 吳畏;基于統(tǒng)計(jì)建模的多導(dǎo)聯(lián)腦電信號(hào)時(shí)空建模方法研究[D];清華大學(xué);2012年

5 孫宇舸;腦—機(jī)接口系統(tǒng)中腦電信號(hào)處理方法的研究[D];東北大學(xué);2012年

6 周群;腦電信號(hào)同步：方法及應(yīng)用研究[D];電子科技大學(xué);2009年

7 趙麗;基于腦電信號(hào)的腦-機(jī)接口技術(shù)研究[D];天津大學(xué);2004年

8 李春勝;腦電信號(hào)混沌特性的研究與應(yīng)用[D];東北大學(xué);2011年

9 歐陽高翔;癲癇腦電信號(hào)的非線性特征識(shí)別與分析[D];燕山大學(xué);2010年

10 繆曉波;基于腦電信號(hào)的認(rèn)知?jiǎng)恿W(xué)系統(tǒng)研究——線性/非線性方法及動(dòng)態(tài)時(shí)—頻—空分析[D];重慶大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 于洪;基于腦電信號(hào)的警覺度估計(jì)[D];上海交通大學(xué);2007年

2 蔣潔;基于高性能計(jì)算的腦電信號(hào)分析[D];燕山大學(xué);2010年

3 張志琴;腦電信號(hào)的復(fù)雜性分析[D];中南大學(xué);2009年

4 許鳳娟;腦電信號(hào)采集與分析系統(tǒng)的設(shè)計(jì)[D];長春理工大學(xué);2011年

5 曹銘;意識(shí)障礙患者腦電信號(hào)的非線性動(dòng)力學(xué)評(píng)價(jià)分析[D];杭州電子科技大學(xué);2012年

6 薛吉星;多通道腦電信號(hào)采集與處理系統(tǒng)研究[D];華南理工大學(xué);2015年

7 劉靜;基于加權(quán)排序熵的多通道腦電信號(hào)同步算法研究[D];燕山大學(xué);2015年

8 陳澤濤;基于腦電信號(hào)分析的AD早期評(píng)估系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];燕山大學(xué);2015年

9 王歡;基于非平穩(wěn)時(shí)間序列分析方法的腦電信號(hào)模式識(shí)別[D];蘇州大學(xué);2015年

10 王瓊穎;腦電信號(hào)的非線性動(dòng)力學(xué)分析及其在睡眠分期中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2015年

本文編號(hào)：1980874