[发明专利]一种基于静息脑电相似性的情绪跨个体识别方法

说明书

技术领域

本发明涉及基于脑电的情绪识别领域，尤其涉及一种基于静息脑电相似性的情绪跨个体识别方法，该方法可用于情绪障碍的辅助诊断与疗效评价，特殊工作者(如航天员、司机)的情绪识别与反馈，娱乐游戏、远程教学的人机互动。

背景技术

情绪(emotion)是人对客观事物是否满足自身需要而产生的综合状态。它作为人脑的高级功能，保证着有机体的生存和适应，不同程度上影响着人的学习、记忆与决策。在人们的日常工作和生活中，情绪的作用无处不在。负性情绪会影响我们的身心健康，降低工作质量与效率，严重者会引发心理疾病(比如抑郁症、自闭症等)，也会造成严重的工作失误。有研究证明，负性情绪的长期积累，会损害免疫系统的功能，使人们更容易受到周围病毒的感染。所以，适时地发现负性情绪并给予适当的干预与调控十分必要，尤其是对司机，航天员等一些特殊工作者。另一方面，在人机交互系统里，如果系统能够捕捉到人的情绪状态，那么人机交互就会变得更加友好，自然与高效。情绪的分析与识别已经成为神经科学、心理学、认知科学、计算机科学和人工智能等领域学科交叉的一项重要的研究课题。

随着神经生理学的发展和脑成像技术的兴起，脑电信号(Electroencephalography,EEG)因其时间分辨率高、不受人为因素控制、能够客观真实地反映人的情绪状态而受到研究人员的重视并被引入到情绪识别领域。而且新式理论方法的提出在一定程度上提高了基于脑电的情绪识别准确率。然而一旦走向实际应用，识别率大幅度下降，很难满足应用的需求，泛化能力低是情绪识别模型在实际应用中面临的一大挑战。

研究表明，即使对于同一个外部刺激或者主体在思考同一个事件的时候，不同人的大脑所产生的脑电信号也是不同的，也就是说这些脑电信号携带有主体独一无二的特性。由于脑电个体差异性的存在，传统的个体依赖型(subject-depend)情绪识别模型在使用之前通常需要一个校准阶段，让被试先完成一段时间的情绪诱发实验任务，采集被试的脑电信号，利用被试自己的脑电信号建立情绪识别模型。由于该识别模型只由来自被试自己的脑电信息建立，是个体特异性识别模型，该模型用于被试自己时会达到很好的预测效果，一旦用于预测其他用户的情绪，识别率就会大幅度下降。

但是个体依赖型情绪识别模型冗长的校准过程会使用户感觉疲倦和乏味，所以跨个体的情绪识别在实际应用中十分必要，而且跨个体的情绪识别模型可以很大程度上提高系统的友好程度，极大地扩大用户范围。因此，对于跨个体的情绪识别技术的研究具有很重要的现实意义和商业价值。

发明内容

本发明提供了一种基于静息脑电相似性的情绪跨个体识别方法，本发明可有效地解决目前情绪识别中的跨个体识别正确率低的瓶颈问题，将模型推向应用，并获得可观的社会效益和经济效益，详见下文描述：

一种基于静息脑电相似性的情绪跨个体识别方法，所述情绪跨个体识别方法包括以下步骤：

建立多个体情绪数据库，包括n个被试的静息脑电和情绪脑电，并通过AR模型提取脑电载theta,alpha,beta,gamma4个频段的功率谱密度，构成静息脑电特征矩阵以及情绪脑电特征矩阵；

记录需要被检测的被试的静息脑电，分别计算其与情绪数据库中的n个被试的静息脑电特征矩阵的欧式距离，选择距离最小的0.2*n个被试作为情绪识别模型训练集的用户群；

利用该用户群的情绪脑电特征矩阵建立情绪检测模型，从而准确、客观的进行跨个体情绪脑电识别。

所述情绪跨个体识别方法还包括：

采集多个被试在静息状态、积极状态、中性状态、以及消极状态下的64导脑电信号；

对采集到的64导脑电信号进行变参考到双耳平均、降采样到500Hz、1-100Hz带通滤波以及利用独立成分分析的算法去除眼电干扰，最终得到60导联的预处理后的脑电信号。

所述记录需要被检测的被试的静息脑电，分别计算其与情绪数据库中的n个被试的静息脑电特征矩阵的欧式距离具体为：

其中，MPRi是第i个用户的静息脑电特征矩阵的24个样本平均后的特征向量；MTPR是当前用户的静息脑电特征矩阵的24个样本平均后的特征向量；PRi为第i个用户的静息脑电特征矩阵；TPR为当前用户的静息脑电特征矩阵；Di为第i个用户的静息脑电与当前用户的静息脑电之间求得的欧式距离；为情绪数据库中第i个被试的静息脑电的第h个特征值，y_h为当前用户的静息脑电的第h个特征值，h＝1,2,…,240。