基于稀疏低秩张量分解的情绪脑电多域特征提取与分类

摘要

基于脑电信号(Electroencephalogram,EEG)的情绪分析和识别研究一直是脑科学领域的热点,利用复Morlet小波变换构建脑电张量,结合其低秩、稀疏的特点,提出一种EEG多域特征提取方法——稀疏正则的低秩逼近Tucker分解算法。该算法提取样本所特有的多域特征——核心张量和样本共有的因子矩阵,对情绪脑电进行分类和分析,克服了传统Tucker分解计算效率低,易导致维度爆炸的缺陷。实验结果表明,在MODMA数据集上,以核心张量作为多域特征进行EEG样本分类,对不同情绪刺激下抑郁症患者(MDD)的平均识别率为88.9%,且运算效率较传统Tucker分解提高约16倍。利用表征空间特征的因子矩阵对活跃脑区进行分析,实现对脑区空间层面动态变化的对比,发现MDD患者与正常对照组在效价与唤醒度的敏感度上的差异。SLraTucker分解算法能够有效提取EEG的多域特征,为分析情绪脑电以进行相应诊断提供了新的方法和思路。