基于多元模式分析的情緒腦電識別.pdf

1、受諸多因素的影響，情緒目前在心理學上還很難給出一個確切的定義，但是情感計算是實現(xiàn)高級人機交互(Human Computer Interaction，HCI)的關鍵技術之一。一些較早關于情緒識別的研究所用的信號都是非生理信號，一些計算機視覺技術有能力識別到非生理情感特征，如面部表情、手勢和語音信息等，但這些外部特征容易被偽裝而且不穩(wěn)定，這很容易導致不可靠的結果。相反，從生理反應獲得的各種生理指標，如腦電(EEG)、皮膚電反應、血液循環(huán)、呼

2、吸活動等不能被偽裝且穩(wěn)定。目前情緒識別技術廣泛應用于商業(yè)、測謊、安檢等領域，如何有效識別情緒一直是一個十分值得研究的問題。本論文的主要工作如下：
　　1．網(wǎng)絡的方法被廣泛應用于疾病識別、測謊、磁共振等模式識別領域，在已有的功率譜研究的基礎上我們首先提出網(wǎng)絡分析的情緒識別方法。多模態(tài)特征的方法在模式識別中也得到廣泛地應用，其次我們提出將功率譜特征和網(wǎng)絡特征相結合的方法以提高分類的準確率。我們用五個頻段（theta，slow alph

3、a,alpha,beta,gamma）下的功率譜作為特征進行三種情緒（正性，中性，負性）分類，結果發(fā)現(xiàn)在beta和gamma頻段有較高的分類準確率，分別為62.8％和64.2%。然后提取五個頻段下的網(wǎng)絡屬性作為特征進行情緒分類，結果也發(fā)現(xiàn)在beta和gamma頻段有較高的分類準確率分別為56%和67%，這說明我們可以用網(wǎng)絡的分析方法來研究情緒識別。最后我們結合功率譜特征和網(wǎng)絡特征進行分類，在beta和gamma頻段的準確率分別為63.3

4、%和68.2%，比功率譜和網(wǎng)絡特征的分類準確率都要高，這說明結合不同類型的特征可以提高分類準確率。
　　2．隨著人工智能的快速發(fā)展，機器學習成為了熱門的研究，作為機器學習的一個重要分支，深度學習在其中扮演了十分重要的角色，深度學習能夠構建學習網(wǎng)絡并表現(xiàn)出來優(yōu)越的分類性能。卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）是一個比較成熟的深度學習模型，目前CNN被廣泛應用于圖像識別，語音識別等領域，已有