基于脑电非线性特征的情绪状态识别方法

摘要

本发明属于情绪状态识别技术。为提供一种更加客观的情绪状态识别方法，为心理疾病的治疗评价提供一个更加客观的评价方法，本发明采取的技术方案是，基于脑电非线性特征的情绪状态识别方法，包括数据采集与数据预处理、特征提取以及特征分析与分类识别步骤；数据采集与数据预处理是，利用图片对受试者进行情绪诱发，并记录其脑电信号，对采集的原始脑电信号进行预处理，包括改变参考电位、降采样、带通滤波、去除眼电四个步骤；特征提取是指功率谱熵的提取和相关维数提取；将提取的功率谱熵和相关维数两种特征进行特征层融合后，使用SVM或HMM分级区分。本发明主要应用于情绪状态识别。

主权项

1.一种基于脑电非线性特征的情绪状态识别方法，其特征是，包括数据采集与数据预处理、特征提取以及特征分析与分类识别步骤；数据采集与数据预处理是，选择按照愉悦度范围分为八个等级的情绪图片，情绪图片等级越高诱发出的情绪越积极，情绪图片等级越低诱发出的情绪越消极，利用情绪图片对受试者进行情绪诱发，并记录其脑电信号，对采集的原始脑电信号进行预处理，包括改变参考电位、降采样、带通滤波、去除眼电四个步骤；特征提取是指功率谱熵的提取和相关维数提取；将提取的功率谱熵和相关维数两种特征进行特征层融合后，使用SVM或HMM将等级一、等级五、等级八的情绪状态区分开，SVM和HMM分别是Support Vector Machine和Hidden Markov Model的缩写；SVM指支持向量机，HMM指隐马尔科夫模型；功率谱熵的计算方法如下：设信号的采样频率为f_s，采样点数为N，这样就得到信号的一个离散的时间序列，该离散序列经FFT后得到X(ω_i)，角频率则功率谱密度为具有N个样本点的一个离散的时间序列信号经过FFT变换后得到N/2个有效的功率谱密度值，他们分别是信号频率为时的功率密度大小，为相邻两个功率密度所对应的频率间隔，频率范围为这就是全频段，将按总的功率谱进行归一化得到p_i，即则有∑_ip_i=1，如果把频率为f_i至f_i+Δf之间的信号视为一个信息符号，则p_i能够理解为该信号出现的概率，因而这个功率谱就构成一个具有N/2个信息符号的信源，按照信息熵的定义则能够计算出功率谱熵为$H=-\underset{i}{\Sigma }{p}_i\times \log p_i;$H即为功率谱熵；功率谱熵特征的提取：根据导联分区将每个区域内的功率谱熵求平均，则一张图片就得到6个特征，然后再将每一等级的图片的功率谱熵求平均，最后再将受试者的数据求平均，得到平均功率谱熵随情绪等级变化图；相关维数提取是，采用Grassberger和Procaccia算法，简称G-P算法，其提取、计算过程如下：设{x_k:k=1,2,3,...,N}是采集到的脑电序列，将其嵌入到m维欧式空间R_m中，得到一个向量集J(m)，其元素记为：X_n(m.,L,J)=(x_1+(n-1)J,x_1+(n-1)J+L,...x_{1+(n-1)J+(m-1)L})n=1，2，3，...N_m其中，L为时间延迟，J为采样间隔，N_m是重构向量的维数，其值能够由下面的公式计算：$N_m=[\frac{(N-1)-(m-1)L}{J}+1]$取J=1，则有N_m=N-(m-1)×L，从状态空间中的N_m个点中任意选定一个参考点X_i，则其余N_m-1个点到X_i的距离能够定义为：$r_{\mathrm{ij}}=d(X_i,X_j)={\left[{\Sigma }_{k=0}^{m-1}{(x_{i+k+L}-x_{j+k\times L})}^2\right]}^{1/2}i\ne j$对所有X_i(i=1,2,3,...,N_m)重复这一过程，得到相关积分函数：$C_m\left(r\right)=\frac{1}{N_m(N_m-1)}\underset{i=1}{\overset{N_m}{\Sigma }}\underset{j=1}{\overset{N_m}{\Sigma }}\theta (r-r_{\mathrm{ij}})$在这里，r是一个变量，它的取值范围为，且式中Heaviside函数为：$\theta \left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x\le 0\end{array}\right.$又由于N_m>>1，所以C_m(r)能够表示为：$C_m\left(r\right)=\frac{1}{N_m^2}\underset{i=1}{\overset{N_m}{\Sigma }}\underset{j=1}{\overset{N_m}{\Sigma }}\theta (r-r_{\mathrm{ij}})$对于充分小的r，相关积分逼近下式：lnC_m(r)=lnC+D(m)lnrD（m）即为相关维数；因此得到重构空间R_m中的子集J(m)的相关维数为：$D\left(m\right)=\underset{r\to 0}{\lim }\frac{\partial \ln C_m\left(r\right)}{\partial \ln r}$利用lnC_m(r)～lnr曲线通过线性回归来求得。