[发明专利]基于多尺度色散熵分析的脑电情感识别方法及系统

说明书

本发明涉及脑电信息处理领域，提供一种基于多尺度色散熵分析的脑电情感识别方法及系统，包括：获取原始脑电信号，对所述原始脑电信号进行预处理，获得预处理后的脑电信号；所述预处理后的脑电信号包括：θ节律脑电信号、α节律脑电信号、β节律脑电信号和γ节律脑电信号；提取所述预处理后的脑电信号的多尺度色散熵；将所述多尺度色散熵输入训练好的轻量梯度提升树，获得情感分类。本发明能够深入分析各节律脑电信号所蕴含的情感信息，提取出表征能力更强的脑电情感特征；使用色散熵作为特征提取方法，无需计算嵌入维数分别为s和s+1的任意两个复合延迟向量之间的距离，不对每个嵌入向量的幅度值进行排序，能够有效降低特征提取运算消耗。

技术领域

本发明涉及脑电信息处理领域，尤其涉及一种基于多尺度色散熵分析的脑电情感识别方法及系统。

背景技术

目前脑电情感特征提取主要是通过时域分析、频域分析和时频域分析等方法进行的。但由于脑电信号的随机性和非平稳性较强，时域、频域和时频域分析等分析方法均无法对脑电信号的信息进行全面地表征。时域分析忽略了脑电信号的频域信息，频域分析丢失了信号重要的相位特征，并且以上方法和时频域分析法均无法对脑电信号的随机性和非平稳性进行表征。致使提取的特征对脑电信号的表征不够全面，进而影响最终的情感识别结果。

近年来随着越来越多的信息熵特征提取方法在不同的生理和心理疾病研究中得到了成功应用，也提升了脑电情感识别研究领域的学者们对信息熵提取方法的关注度。越来越多的研究者将不同的信息熵应用到了脑电情感识别研究中。目前应用于脑电情感识别的主流的信息熵分析方法主要为样本熵和置换熵分析方法等，并且取得了一定的效果。但这些方法在用于特征提取时的耗时过长，对长度较短的时间序列信号的处理结果不可靠，且容易受到噪声干扰。这些方法对脑电信号所蕴含的情感信息的表征能力也需要进一步提升，进而提升脑电情感识别率。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于，解决现有技术中，提取出的特征对情感信息的表征能力不强，情感识别率不高；特征提取时的运算耗时过长，对长度较短的时间序列信号的处理结果不可靠，且容易受到噪声的干扰；对脑电信号所蕴含的情感信息的表征能力不足的技术问题。

为实现上述目的，本发明提供一种基于多尺度色散熵分析的脑电情感识别方法，包括：

S1：获取原始脑电信号，对所述原始脑电信号进行预处理，获得预处理后的脑电信号；所述预处理后的脑电信号包括：θ节律脑电信号、α节律脑电信号、β节律脑电信号和γ节律脑电信号；

S2：提取所述预处理后的脑电信号的多尺度色散熵；

S3：将所述多尺度色散熵输入训练好的轻量梯度提升树，获得情感分类。

优选地，步骤S1具体为：

S11：对所述原始脑电信号进行带通滤波，获得带通滤波后的脑电信号；

S12：对所述带通滤波后的脑电信号进行陷波滤波，获得陷波滤波后的脑电信号；

S13：通过独立成分分析法，去除所述陷波滤波后的脑电信号中的心电、眼电、肌电和运动伪迹，获得去除伪迹后的脑电信号；

S14：将所述去除伪迹后的脑电信号输入四阶巴特沃斯滤波器，获得所述预处理后的脑电信号。

优选地，步骤S2具体为：

S21：选取所述预处理后的脑电信号中的一种节律脑电信号，对所述节律脑电信号进行粗粒化处理，获得粗粒化后的节律脑电信号x_j(j＝1,2,...,N)；其中，j表示节律脑电信号的时间序列，N表示节律脑电信号的时间长度；