基于符號化表示學習的腦電信號情緒分類方法研究.pdf

1、腦電（Electroencephalogram，EEG）記錄了大腦活動時的電位變化過程，是腦神經(jīng)生理活動在大腦皮層表面的直接反映，其在情緒計算、腦認知機理研究等復雜的應用領(lǐng)域具有重要意義。傳統(tǒng)腦電信號分析方法主要是從時域、頻域等宏觀角度提取特征分析腦電信號，這些方法很難反映腦電信號的局部特征和不同時間片段的特點。近年來，基于信息論、分形理論及復雜度分析方法的腦電信號特征提取技術(shù)因具有較強的穩(wěn)定性，而被應用于不同的腦電分析任務。
　

2、　本文主要研究通過情緒相關(guān)的腦電信號進行分析，從中提取有效特征進行情緒分類的方法。本文主要研究工作包括：第一，實現(xiàn)了基于信息熵、分形維度及復雜度分析的現(xiàn)代腦電信號分析方法應用于腦電情緒模式分類。考慮到上述三類腦電信號分析方法在單特征使用上性能存在不足，多特征融合有望提高系統(tǒng)性能。然而將不同特征簡單融合到一個特征向量的方式會導致特征間非線性結(jié)構(gòu)丟失，無法提升分類效果。針對這一問題，本文提出了一種基于多特征決策融合的腦電情緒分類方法。為了盡

3、可能保留不同特征各自的表征優(yōu)勢，該方法首先在不同基分類器上建立置信度評估，然后實現(xiàn)不同單特征分類器分類結(jié)果的有效融合。該方法在DEAP腦電情感分析數(shù)據(jù)集上，獲得了Valence分類指標上1.5個百分點的準確率提升以及Arousal分類指標上0.8個百分點的準確率提升。第二，目前主流的腦電信號分析方法是從全局角度量化腦電信號，最終表征在一個或多個實值特征上。這在很大程度上損失腦電信號的局部信息，使情緒分類系統(tǒng)很難突破性能瓶頸。針對這一問題