基于符号化表示学习的脑电信号情绪分类方法研究

摘要

脑电（Electroencephalogram，EEG）记录了大脑活动时的电位变化过程，是脑神经生理活动在大脑皮层表面的直接反映，其在情绪计算、脑认知机理研究等复杂的应用领域具有重要意义。传统脑电信号分析方法主要是从时域、频域等宏观角度提取特征分析脑电信号，这些方法很难反映脑电信号的局部特征和不同时间片段的特点。近年来，基于信息论、分形理论及复杂度分析方法的脑电信号特征提取技术因具有较强的稳定性，而被应用于不同的脑电分析任务。
　　本文主要研究通过情绪相关的脑电信号进行分析，从中提取有效特征进行情绪分类的方法。本文主要研究工作包括：第一，实现了基于信息熵、分形维度及复杂度分析的现代脑电信号分析方法应用于脑电情绪模式分类。考虑到上述三类脑电信号分析方法在单特征使用上性能存在不足，多特征融合有望提高系统性能。然而将不同特征简单融合到一个特征向量的方式会导致特征间非线性结构丢失，无法提升分类效果。针对这一问题，本文提出了一种基于多特征决策融合的脑电情绪分类方法。为了尽可能保留不同特征各自的表征优势，该方法首先在不同基分类器上建立置信度评估，然后实现不同单特征分类器分类结果的有效融合。该方法在DEAP脑电情感分析数据集上，获得了Valence分类指标上1.5个百分点的准确率提升以及Arousal分类指标上0.8个百分点的准确率提升。第二，目前主流的脑电信号分析方法是从全局角度量化脑电信号，最终表征在一个或多个实值特征上。这在很大程度上损失脑电信号的局部信息，使情绪分类系统很难突破性能瓶颈。针对这一问题，本文设计实现了基于脑电符号化表示学习的情绪分类方法。通过对原始脑电信号离散化处理，使其转化到新的特征空间，在脑电符号化表示的基础上利用N元文法、主题挖掘及异常检测方法提取与情绪相关的模式特征，最后应用文本中的词袋模型（BOW）方法进行脑电信号的情绪分类。该方法在Valence分类指标上的准确率比当前主流的脑电信号分析方法提高近9个百分点，且在Arousal分类指标上获得了与多特征决策融合方法相当的效果。

目录

第1章 绪 论

1.1 课题来源

1.2 课题背景与意义

1.3相关技术介绍及研究现状

1.4本文的主要内容与组织结构

第2章 脑电信号分析方法及应用概述

2.1 引言

2.2基于时域频域分析的传统脑电信号分析方法

2.3基于非线性动力学方法的现代脑电信号分析方法

2.4 本章小结

第3章 基于多特征决策融合的脑电信号情绪分类

3.1 引言

3.2 DEAP 脑电情绪分类数据集及分类评估指标

3.3 特征选择及分类性能评估

3.4 基于多特征决策融合的脑电情绪分类

3.5 本章小结

第4章 基于符号化表示学习的脑电信号情绪分类

4.1 引言

4.2 脑电信号的符号化表示学习方法

4.3 基于脑电符号化表示学习的特征提取及情绪分类

4.4 实验及分析

4.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢