基于脑电特征的情绪状态识别方法

摘要

一种基于脑电特征的情绪状态识别方法，有：数据采集阶段，是在国际情绪图片诱发条件下，提取被试在不同愉悦度等级图片诱发下的64导脑电数据；数据预处理阶段，对采集到的64导脑电数据进行改变参考电位、降采样、带通滤波、去除眼电四个步骤的处理；特征提取阶段，是将预处理后的信号用共空间模式算法进行滤波后提取时域特征；特征识别，使用支持向量机分类器对特征进行识别，将不同情绪状态区分开。本发明尝试的OVR共空间模式算法，可去除背景信号的干扰，用于多类情绪诱发脑电的信号增强。去除背景信号干扰后，不同类别的情绪脑电间差异增大，用时域方差特征进行识别，被试者的识别正确率较为理想，可以准确地区分开不同愉悦度的情绪。

主权项

1.一种基于脑电特征的情绪状态识别方法，其特征在于，包括如下阶段：（1）数据采集阶段，所述的数据采集是在国际情绪图片诱发条件下，提取被试在不同愉悦度等级图片诱发下的64导脑电数据，包括进行如下步骤：1）实验设计：从国际情绪图片库中选择了45张图片，按愉悦度范围分为3个等级，每个等级15张图片；等级1、2、3分别对应代表消极、中性、积极情绪图片；包含45次任务，每次刺激任务时间为14秒，有三个时段，即图片呈现时段A持续6s、休息时段B持续6s和提醒时段C持续2s；2）脑电采集：采集EEG的实验程序是在stim2平台下设计的，脑电采集仪器使用的是scan4.3，使用的脑电电极帽是10-20标准64导联；（2）数据预处理阶段，对采集到的64导脑电数据进行改变参考电位、降采样、带通滤波、去除眼电四个步骤的处理；（3）特征提取阶段，所述的特征提取阶段是将预处理后的信号用共空间模式算法进行滤波后提取时域特征，包括如下步骤：1）共空间模式滤波：三类任务原始的脑电信号为64×384维的矩阵：设为，和,其中64为导联通道数，384为每个通道在刺激任务下的前3秒的数据点数，则每一类信号的归一化协方差矩阵分别为：这里的表示对的转置，trace表示矩阵的迹；构造合成的空间协方差矩阵为：可分解为：和分别为其特征矢量矩阵和特征值对角阵，白化变换可使方差均匀化，白化矩阵为：为了更好地阐述这个算法，先考虑如何得到愉悦度等级为1的诱发脑电的空间滤波器，设：令：这里是对应的白化矩阵；如果可以分解成：则可被分解为：且有：将式，，，，综合，即得到：这里的的列向量是矩阵的特征向量，可以看出，经变换后信号协方差矩阵的特征矢量对应的特征值之和为1，所以在方差值最大的方向上其余的信号和的方差值就很小，所以选取中与最大的特征值对应的特征向量定义为,则对应于的空间滤波器，即信号的投影方向为：这里是对应求得的的白化矩阵，中与最大的特征值对应的特征向量定义为；在相应的模式下的投影即为：同理可获得、的空间滤波器分别为：这里是对应求得的的白化矩阵，中与最大的特征值对应的特征向量定义为；这里是对应求得的的白化矩阵，中与最大的特征值对应的特征向量定义为；以上得到的空间滤波器是64×64维的，每一行向量被称为空间滤波子，对应的空间滤波器与对应的信号相乘即得到滤波后的信号，经过共空间模式滤波后的情绪脑电信号，去除了背景信号的干扰；2）为了更好地进行后续的分类识别，根据滤波后的信号做如下变化后作为脑电特征值，（4）特征识别特征提取后，使用支持向量机分类器对特征进行识别，将不同情绪状态区分开。