[发明专利]基于实时脑电的人体情绪识别方法

权利要求书

1.一种基于实时脑电的人体情绪识别方法，其特征在于：包括如下步骤：

步骤1)脑电信号采集：包括采用多通道脑电采集设备采集被试脑电信号；

步骤2)脑电信号预处理：对比步骤1所得脑电信号进行预处理，以减少尾迹干扰，提高最终分类识别率；

步骤3)对脑电信号样本特征提取；

步骤4)对脑电信号分类；

步骤5)进行情绪识别。

2.根据权利要求1所述基于实时脑电的人体情绪识别方法，其特征在于：所述步骤3)对脑电信号样本特征提取包括通过样本熵算法对脑电信号样本特征提取；所述的样本熵算法具体是通过以下算法公式得出：

设原始数据为长度为N的时间序列，表示为：{u(i):1≤i≤N}；

1)构造一组m维空间的向量X(1),X(2),...,X(N-m+1)，其中X(i)＝{u(i),u(i+1),...,u(i+m)}.；

2)定义向量X(i)和X(j)之间的距离d[X(i),X(j)]为两向量对应元素中差值最大的一个，即：

3)对于每一个{i:1≤i≤N-m+1}，在容许偏差为r的情形下，统计

d[X(i),X(j)]＜r的数目，计为N_m(i)，并计算此数目与距离总数的比值，计作：

4)对所有的i求平均值计作φ^m(r)，即

5)将维数m增加1，变成m+1重复上述1)～4)过程得到φ^m+1(r)；

6)理论上此序列的样本熵SampEn(N,m,r)为：

实际中N不可能取∞，当N取有限值时，估计：

SampEn(N,m,r)＝-1n[φ^m+1(r)/φ^m(r)]

SampEn(N,m,r)的值与参数N，m，r的选取有关。不同的嵌入维度m和相似容限r对应的样本熵值也不同；所述r取原始数据标准偏差的0.1～0.25倍，m＝1或m＝2时SampEn(N,m,r)的值对序列长度N的依赖性最好，此时计算所得的样本熵具有较为合理的统计特性。

3.根据权利要求1所述基于实时脑电的人体情绪识别方法，其特征在于：所述步骤3)对脑电信号样本特征提取还包括通过二值距离阵样本熵算法对脑电信号样本特征提取；所述的二值距离阵样本熵算法具体是通过以下算法公式得出：

第一步：对N点序列，先计算N×N二值距离矩阵D＝[d_ij]_N×N。

第二步，利用矩阵D中的元素，按照行递增的顺序，每两行(当m＝2时)或每三行(当m＝3时)的矩阵元素按斜线方向的组合进行“与”运算，把每一行的斜线“与”的结果累加后除以N-(m+1)，即可得到和

第三步：由和分别计算φ²(r)和φ³(r)。

第四步：计算SampEn(N,m,r)。

4.根据权利要求1所述基于实时脑电的人体情绪识别方法，其特征在于：所述步骤4)对脑电信号分类包括支持向量机分类法和遗传算法分类法。

5.根据权利要求1所述基于实时脑电的人体情绪识别方法，其特征在于：所述步骤5)情绪识别法包括无监督学习识别法和有监督学习识别法；所述无监督学习识别法是指对样本进行模式训练时不对其指定类别信息，而是由样本自身向特性相近的样本靠近，与特性相异的样本远离，从而达到同类样本聚集，异类样本分离的效果，最终实现模式分类；所述有监督学习识别法是指需要对样本的类别进行标注，在类别信息的指导下不断修正模型参数，再将得到的训练模型用于测试样本的分类。