[发明专利]基于脑电信号的时间迁移情绪识别方法及系统

说明书

本发明属于脑电数据识别技术领域，特别涉及一种基于脑电信号的时间迁移情绪识别方法，包含：对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；将预处理后的脑电数据信号划分为多个频段，提取多个频段内的情绪脑电特征；通过支持向量机分类器和后向特征筛选算法挑选出稳定情绪脑电特征；构建多分类渐进直推式支持向量机分类器，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；用稳定情绪脑电特征对构建的分类器进行训练；针对待分类情绪脑电信号，通过训练后的分类器实现基于脑电信号的时间迁移情绪识别。本发明能够提升时间迁移情绪识别效率和准确度，具有较好实际应用价值。

技术领域

本发明属于脑电数据识别技术领域，特别涉及一种基于脑电信号的时间迁移情绪识别方法及系统。

背景技术

情绪是人对外界或自身刺激的生理和心理反应，对我们的工作生活有着重要的影响。在人机交互过程中准确地识别使用者的情绪，可提高人机交互体验和机器的智能化水平。脑电是伴随着大脑神经活动而产生的电信号，人的不同情绪状态可以通过脑电信号的变化反映出来。同时脑电信号具有获取方便、时间分辨率高、不可伪装的特点，基于脑电的情绪识别在脑机接口等领域得到广泛应用。

在基于脑电信号的情绪识别的现实应用中，基于之前采集的情绪脑电信号提供的先验信息，对当前采集的脑电信号进行分类，从而实现时间迁移情绪识别。但是由于人的基线情绪，饮食，体温等其他不可控因素的变化会造成情绪脑电信号的非平稳性，即同一名被试先前实验中采集的脑电信号的情绪特征与当前实验中采集的脑电信号的情绪特征分布差异较大，实验者在进行不同天的情绪识别时效果较差。当前针对基于脑电信号的时间迁移情绪识别问题主要有两大解决思路，第一种即找出稳定的不随时间变化的情绪脑电特征，进而提高识别准确率，但是该种方法具有两个问题即(1)现有研究并未对常用的情绪脑电特征的时间迁移稳定性进行系统探究；(2)仅根据挑选出的稳定的情绪特征进行情绪识别准确率不高。第二种解决思路是设计出具有时间迁移特性的分类器，提高时间迁移情绪识别结果，该方法虽然能够在一定程度上解决不同次实验采集的情绪脑电信号的差异问题，但是迁移性分类器不能预先对稳定的特征进行挑选，而冗余的特征会降低分类效果。现有研究基于脑电的时间迁移情绪识别的方法并未将稳定的情绪脑电特征选择和具有迁移性的分类器设计进行结合。如果能够从常用的情绪识别脑电特征中选择出稳定的不随时间变化的特征，再用具有迁移分类效果的分类器对挑选出的稳定情绪脑电特征进行分类，将有效提高时间迁移情绪识别准确率，对现实应用中研发具有实时情绪识别功能的脑机接口设备具有重要意义。

发明内容

为此，本发明提供一种基于脑电信号的时间迁移情绪识别方法及系统，将稳定的情绪脑电特征筛选和具有时间迁移性能分类器相结合实现目标对象的时间迁移情绪识别，进一步提升识别效率和准确率。

按照本发明所提供的设计方案，提出一种基于脑电信号的时间迁移情绪识别方法，包含：

针对目标对象，对其情绪图片的原始脑电信号进行分段，并提取预设时间段内情绪图片呈现的情绪脑电数据，对情绪脑电数据进行预处理，该预处理至少包含平均参考和基线校正处理、去除眨眼伪迹处理及带通滤波处理；

将预处理后的脑电数据信号划分为多个频段，从时域、频域、时频域及脑电网络属性中提取该多个频段内的情绪脑电特征；针对提取的情绪脑电特征，通过支持向量机分类器进行情绪分类，从中挑选出稳定情绪脑电特征；

构建用于通过迭代进行训练测试的多分类渐进直推式支持向量机分类器，该多分类渐进直推式支持向量机分类器包含多分类条件下的区域标注和标签重置过程，以实现在迭代中对输入的情绪脑电特征样本标签的筛选修正和重置；

利用稳定情绪脑电特征对多分类渐进直推式支持向量机分类器训练学习；针对目标对象待分类的情绪脑电信号，利用训练学习后的多分类渐进直推式支持向量机分类器进行分类，以实现基于脑电信号的时间迁移情绪识别。