[发明专利]基于经验小波变换进行特征提取的脑电情感识别方法

说明书

技术领域

本发明涉及数据挖掘领域，具体涉及一种基于经验小波变换和样本熵进行特征提取的脑电情感识别方法。

背景技术

情感是由外界的感知所引发的一种心理和生理过程，它在人与人的交流过程中扮演着很重要的角色。情感识别在人们日常生活中也起到了越来越重要的作用，针对人类情感进行识别的方法主要包括人脸情感识别、语音情感识别和脑电情感识别等，但是面部表情、语音等特征易于被人掩饰或者伪装。随着可穿戴和干电极技术的发展，使得在现实环境中获取脑电信号，进行情感识别变得尤为方便。在脑电情感识别方法中，往往很难对所有通道的数据进行分析处理。因此，首要任务是从众多的通道中选择最有价值的通道进行数据预处理。然而，在脑电通道选择过程中，很少关注外围生理信号与脑电信号的联系。事实上，当人由于外界的感知产生一定的情感时，生理信号（脑电、肌电、皮肤电等）也会伴随着情感的变化而变化，是不同情感的重要体现。

脑电信号一般具有非平稳、非线性等特性，特征提取是脑电情感识别的关键步骤。目前常用时频分析方法来对脑电情感信号的特征进行分析，主要包括短时傅立叶变换、小波变换、经验模态分解等。但在实际应用中，短时傅立叶变换一旦选定窗函数后，时频分辨率往往固定不变，不能很好的体现情感信号的丰富特性。尽管小波变换具有多尺度特性，但由于需要选定小波基，很难满足对包含丰富信息的脑电信号的自适应性。经验模态分解可将非平稳信号自适应分解到多个本征模态函数中，但在分解的过程中仍存在问题，比如模态混叠现象，过包络、欠包络和端点效应等。

综上所述，现有的特征提取方法并不能很好地处理情感脑电信号的非线性和非平稳性问题，分类精度及准确率相对较低。

发明内容

发明是为了解决现有技术所存在的上述技术问题，提供一种可提高分类精度的基于经验小波变换和样本熵进行特征提取的脑电情感识别方法。

本发明的技术解决方案是：一种基于经验小波变换进行特征提取的脑电情感识别方法，其特征在于按照如下步骤依次进行：

a. 基于相干性分析的特征提取通道选择

a.1依据式计算脑电信号与外围生理信号在频率上的相干性，式中、和分别表示脑电信号序列X的功率谱密度、外围生理信号序列Y的功率谱密度，以及X和Y的交叉功率谱密度；

a.2 选择相干性分析值最高的3个脑电通道作为特征提取通道；

b. 基于经验小波变换的脑电情感信号特征提取

对选择通道的每个脑电情感数据f(t)进行经验小波变换，分解成N+1个本征模态函数之和，式中是第k个本征模态函数：

b.1 对原始信号f(t)的傅立叶频谱进行自适应地分割，将频率范围分割成N个连续的部分，其中是傅立叶频谱相邻的两个极大值点之间的中点；

b.2 确定分割区间后，对其加小波窗，根据Meyer小波的构造方法，分别确定经验尺度函数和经验小波函数如下：

，

；

式中：；

b.3 定义经验小波变换：将傅里叶变换和逆变换分别记作和，则细节系数可以由经验小波函数和信号内积产生：

；

近似系数则由尺度函数与信号内积产生：

；

式中：和分别是经验小波函数和尺度函数，和分别是和的傅立叶变换，和分别是和的复共轭；则原始信号重构为：；式中：表示卷积，和分别表示和的傅立叶变换；

本征模态函数可定义如下：

；

c. 计算本征模态函数的样本熵

将每个本征模态函数按照不同的时间窗划分成h个段s₁,…,s_h，假定每个段包含L个数据；

基于L个数据，构造一组m维空间的矢量，其中；

定义两个矢量与之间的距离为，所述；

然后，给定相似容限r，所述r=0.21～0.25，对于每个，统计出的数目与矢量总数的比值，记作，；并定义；

此序列的样本熵值可表示为：；

d. 基于样本熵值构造特征向量集

将样本熵值构成一个特征向量，形成一个特征向量集；

e. 对脑电情感进行识别