[发明专利]一种对不同情绪脑电数据进行特征提取及识别的方法

说明书

一种对不同情绪脑电数据进行特征提取及识别的方法，基于脑电数据，采用滑动时间窗以及传递熵的方法，构建大脑的动态有向网络；然后分别利用全局效率、聚类系数以及节点度的计算方法，提取动态有向网络的功能性整合、功能性分离以及网络中心性特征；再将全脑节点分为左右两个部分，并将每一个网络分为四个子网络，计算提取不同脑区信息流向特征，最后将这些特征作为输入，结合支持向量机机器学习算法，实现对不同情绪的脑电数据进行分类识别；本发明提取了多种特征，对不同情绪状态下各脑区信息流的流向、强弱，以及各脑区之间的相互影响等问题进行了综合考虑。

技术领域

本发明涉及脑电信号处理技术领域，特别涉及一种对不同情绪脑电数据进行特征提取及识别的方法。

背景技术

情绪是人类对客观存在事物的体验、认知及其相应的应对方法，它是综合了人们的感觉、感知及行为等状态而产生的一系列主观认知及心理体验。如何能够实现准确的情绪识别，在人机交互过程中占据着重要的地位；同时，在临床应用等方面情绪研究也有着深远的意义，准确的识别情绪将有助于对有心理疾病或表达障碍的患者进行诊断和疏导。

情绪主要通过肢体动作、语音表情和电生理信号进行研究分析，其中电生理信号凭借其难以伪装，信息丰富的特性而被研究者广泛应用。在电生理信号中，EEG数据由于其高时间、高空间分辨率而被越来越多的学者作为研究情绪的重要数据来源。已有的研究主要通过构建无向功能网络或者采取数据的时域、频域特征并结合机器学习的方法来揭示不同情绪状态的差异，并以此作为数据输入来源以进行两个维度的情绪研究与识别。比如Zhang等人在文章《ReliefF-Based EEG Sensor Selection Methods for EmotionRecognition》利用快速傅里叶变换分离波段，并提取不同波段中的时域、频域及能量特征，结合支持向量机的方法，对唤醒度和价效两个维度进行二分类，最终的结果都在60％以上。但不同情绪状态下，各脑区信息流的流向、强弱，以及各脑区之间的相互影响等问题还没得到深入研究，无法从本质上分析不同情绪状态下的信息流向及强弱。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供一种对不同情绪脑电数据进行特征提取及识别的方法，对不同情绪的脑电数据利用传递熵方法构建起动态有向网络，提取了网络中的功能性分离、功能性整合、鲁棒性及脑区间信息流向的动态变化等特征并加以分析，最后利用机器学习方法进行了情绪分类，本发明构建了动态有向网络，提取了多种特征，对不同情绪状态下各脑区信息流的流向、强弱，以及各脑区之间的相互影响等问题进行了综合考虑。

为了达到上述目的，本发明采取以下技术方案：

一种对不同情绪脑电数据进行特征提取及识别的方法，步骤为：基于脑电数据，采用滑动时间窗以及传递熵的方法构建大脑的动态有向网络；然后分别利用全局效率、聚类系数以及节点度的计算方法提取动态有向网络的功能性整合、功能性分离以及网络中心性特征；再将全脑节点分为左右两个部分，并将每一个网络分为四个子网络，计算提取不同脑区信息流向特征，最后将这些特征作为输入，结合支持向量机机器学习算法，对不同情绪的脑电数据进行分类识别。

一种对不同情绪脑电数据进行特征提取及识别的方法，具体步骤如下：

(1)、获得经过预处理的脑电数据，根据脑电通道位置定义大脑功能网络的节点；

(2)、提取大脑网络每个节点的神经信号时间序列，并提取其中的θ波段信号；

(3)、采用滑动时间窗方法，将所得到的大脑功能网络每个节点的时间序列划分成若干相互重叠、长度相同的子段，根据传递熵的方法，构建随时间变化的大脑动态有向网络；

(4)、利用全局效率的计算方法提取大有向网络的功能性整合特征：