技術(shù)領(lǐng)域：
本發(fā)明屬于生物特征識別領(lǐng)域的腦電信號特征分類，具體涉及一種基于腦電信號的情緒識別方法。
背景技術(shù)：
：
情緒是人的感覺、思想和行為的綜合狀態(tài)，它既包括人們由于個人經(jīng)歷對外界或自身剌激的心理反應(yīng)，也包括隨之產(chǎn)生的生理反應(yīng)。情緒在人們的日常生活溝通交流中至關(guān)重要。腦機接口領(lǐng)域的情緒檢測可以應(yīng)用在多個領(lǐng)域，如：娛樂、教育、衛(wèi)生保健，甚至市場營銷領(lǐng)域。之前對于情緒的研究通常是使用人們的面部表情、聲音和肢體語言等外在特征。雖然這些特征容易獲取，但是也容易被偽裝，尤其是當(dāng)人們不想別人知道他們的內(nèi)心想法時。所以，基于腦電信號的情緒識別引起更多關(guān)注。
技術(shù)實現(xiàn)要素：
：
本發(fā)明的目的是針對現(xiàn)有技術(shù)的不足，提供了一種基于腦電信號的情緒識別方法，通過基于eeg的情緒識別技術(shù)在穩(wěn)定性、準(zhǔn)確性和實用性方面的要求，對基于eeg進(jìn)行情緒識別中的偽跡自動去除方法、特征選擇方法以及利用fmri輔助的eeg通道選擇方法等問題進(jìn)行了研究。
本發(fā)明采用的技術(shù)方案在于：一種基于腦電信號的情緒識別方法，包括如下步驟：
步驟1、腦電信號的采集：采用多通道腦電采集設(shè)備采集被試腦電信號；
步驟2、腦電信號的預(yù)處理：對步驟1所得的腦電信號進(jìn)行預(yù)處理，以減少偽跡干擾，提高最終分類識別率；
步驟3、特征提取與選擇；
步驟4、情緒模式的學(xué)習(xí)和分類。
優(yōu)選地，步驟2所述的腦電信號的預(yù)處理，減少偽跡干擾的方法為基于先驗信息的腦電偽跡在線自動去除方法。
優(yōu)選地，步驟3所述的特征提取方法采用的是過濾式(filter)算法，所述的特征選擇方法采用的是fmri通道選擇方法。
優(yōu)選地，步驟4所述的情緒模式的學(xué)習(xí)和分類主要可分為無監(jiān)督的學(xué)習(xí)方法和有監(jiān)督的學(xué)習(xí)方法兩大類。
本發(fā)明的有益效果是：本發(fā)明提供了一種基于腦電信號的情緒分類方法，該方法對腦電數(shù)據(jù)進(jìn)行特征提取時，與以往不同的是，針對基于eeg的情緒識別技術(shù)在穩(wěn)定性、準(zhǔn)確性和實用性方面的要求，對基于eeg進(jìn)行情緒識別中的偽跡自動去除方法、特征選擇方法以及利用fmri輔助的eeg通道選擇方法等問題進(jìn)行了研究，得到較好的情緒分類識別效果。
具體實施方式：
步驟1、腦電信號的采集：采用多通道腦電采集設(shè)備采集被試腦電信號。
步驟2、腦電信號的預(yù)處理，對步驟1所得的腦電信號進(jìn)行預(yù)處理，以減少偽跡干擾，提高最終分類識別率。所述的腦電信號的預(yù)處理，減少偽跡干擾的方法為基于先驗信息的腦電偽跡在線自動去除方法，該方法通過增加少量時間的特異性偽跡先驗信息在線采集部分，來克服偽跡先驗信息與單次采集數(shù)據(jù)不匹配的問題。再利用結(jié)合小波分析的獨立成分分析方法(wica)進(jìn)行偽跡成分分離，基于相關(guān)性判別分析實現(xiàn)偽跡成分的自動識別和去除，達(dá)到了僅利用少量偽跡先驗信息便可有效分離和去除相應(yīng)偽跡成分的目的。主要包括偽跡先驗信息的在線采集和基于wica和相關(guān)性判別的偽跡自動去除兩個部分。
步驟3、特征提取與選擇。所述的特征提取方法采用過濾式(filter)算法，其使用的評價準(zhǔn)則共有四種：距離度量、信息度量、依賴度度量和一致性度量。下面分別對兩種經(jīng)典算法：以距離為度量的relieff算法和以信息為度量的fcbf算法進(jìn)行重點介紹。
relief算法是根據(jù)特征對距離相近樣本的區(qū)分能力來計算相關(guān)性的。首先隨機從訓(xùn)練集d中取出一個樣本r，然后在與r同類的樣本中找出最近鄰的樣本h，稱之為nearhit，在與r不同類的樣本中找出最近鄰的樣本m，稱之為nearmiss，然后根據(jù)如下規(guī)則來對每個特征的權(quán)重進(jìn)行更新：如果r和h在某個特征上的距離小于r和m上的距離，那么說明該特征對于區(qū)分最近鄰樣本是否為同一類是有益的，則增加此特征的權(quán)重；相反，如果r和h在某個特征上的距離大于r和m上的距離，那么說明該特征對于區(qū)分最近鄰樣本是否為同一類起到了負(fù)面作用，則降低此特征的權(quán)重。重復(fù)以上過程m次，最終可以求出每個特征的平均權(quán)重。權(quán)重越大的特征對于正確分類的貢獻(xiàn)就越大。relief算法的運行效率與原始特征個數(shù)n和樣本的抽樣次數(shù)m有關(guān)。
fcbf是基于互相關(guān)性度量的一種特征提取算法。該算法的主要思想是，計算出所定義的c-相關(guān)(表示特征和類別間的相互關(guān)系)和f-相關(guān)(表示特征之間的相互關(guān)系)，然后去除掉c-相關(guān)值小于所設(shè)定閾值的特征，再對剩余的特征進(jìn)行冗余分析。
所述選取采用的是fmri通道選擇方法。利用fmri進(jìn)行大腦功能研究，主要有靜息態(tài)腦功能研究和任務(wù)相關(guān)腦功能研究兩個方面。其中，任務(wù)相關(guān)的腦功能研究是通過精心設(shè)計實驗任務(wù)，獲得不同任務(wù)刺激條件下大腦bold響應(yīng)信號，最終通過統(tǒng)計分析或者模式學(xué)習(xí)的方法來研究腦功能活動和不同任務(wù)刺激條件間的關(guān)系。
步驟4、情緒模式的學(xué)習(xí)和分類。所述的情緒模式的學(xué)習(xí)和分類主要可分為無監(jiān)督的學(xué)習(xí)方法和有監(jiān)督的學(xué)習(xí)方法兩大類。
以上所述，僅為本發(fā)明較佳的具體實施方式，這些具體實施方式都是基于本發(fā)明整體構(gòu)思下的不同實現(xiàn)方式，而且本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。