脑电信号在情感识别中的应用

针对如何在情感识别中有效处理脑电信号和提取有用信息的问题,对实验采集的脑电信号进行小波包分解,通过对相关频段信号的重构,提取出脑电信号中能用于情感状态识别的β波节律,对其在不同情感状态下进行谱分析。仿真实验结果表明,将脑电信号中的β波节律用于情感状态识别是可行的。     

基于长短记忆与信息注意的视频-脑电交互协同情感识别

基于视频-脑电信号交互协同的情感识别是人机交互重要而具有挑战性的研究问题.本文提出了基于长短记忆神经网络(Long-short term memory, LSTM)和注意机制(Attention mechanism)的视频-脑电信号交互协同的情感识别模型.模型的输入是实验参与人员观看情感诱导视频时采集到的人脸视频与脑电信号, 输出是实验参与人员的情感识别结果.该模型在每一个时间点上同时提取基于卷积神经网络(Convolution neural network, CNN)的人脸视频特征与对应的脑电信号特征, 通过LSTM进行融合并预测下一个时间点上的关键情感信号帧, 直至最后一个时间点上计算出情感识别结果.在这一过程中, 该模型通过空域频带注意机制计算脑电信号${\alpha}$波, ${\beta}$波与${\theta}$波的重要度, 从而更加有效地利用脑电信号的空域关键信息; 通过时域注意机制, 预测下一时间点上的关键信号帧, 从而更加有效地利用情感数据的时域关键信息.本文在MAHNOB-HCI和DEAP两个典型数据集上测试了所提出的方法和模型, 取得了良好的识别效果.实验结果表明本文的工作为视频-脑电信号交互协同的情感识别问题提供了一种有效的解决方法.     

八通道经颅刺激脑电调控系统的设计

为提高经颅电刺激治疗的精确性和实现个性化治疗,设计了一种八通道经颅刺激脑电调控系统,在经颅电刺激的前和后监测并分析脑电信号,根据脑电信号状况调整经颅电刺激的参数,评价经颅电刺激治疗的效果;以STM32F407VET6为核心控制器件实现经颅电刺激与脑电信号采集的功能切换,软件上利用C#和MATLAB混合编程实现脑电信号的波形显示、频谱分析以及刺激参数的调整;实验结果表明,系统在输出经颅电刺激前和后成功地采集到脑电信号并进行数字处理;脑电信号眨眼波形与静息态α波形明显,系统可输出直流电刺激和标准方波、标准三角波以及自定义波形的交流电刺激,刺激电流幅值0～2 mA,频率0～1 000 Hz。     

基于小波分析的脑电智能诊断应用与研究

根据小波分析的多分辨率特性,重点分析了多分辨率特性在脑电诊断中的应用.首先确定小波函数和分解层数,进行小波变换,对脑电高频低频进行小波变换重构信号,接着基于在不同尺度下伪迹和异常波不会完全相同的原理,将脑电信号分解到各个尺度上.把分解后的脑电信号输入神经网络进行识别,最终输出异常波的识别结果.     

基于小波变换的动态脑电节律提取

针对脑电信号和其他医学信号的非平稳性,引入小波变换处理临床脑电信号的动态特性。根据脑电信号的不同节律特性,提出应用小波包变换构造不同频率特性的滤波器,提取脑电信号的４种节律,并由各种节律对应的小波系数构造动态脑电地形图。为了研究不同脑功能状态下脑电信号４种节律的动态特性,文中对两组不同临床脑电数据进行分析与比较,给出了有关的实际分析结果。实验结果表明,利用小波包分析的滤波特性,能够有效地反映临床脑电不同节律的动态特性,也为分析其他生物医学信号提供了一条新的途径。     

结合小波包和ICA的脑电信号特征波提取方法*

为了更有效地提取脑电信号特征波,结合小波包和ICA（独立分量分析）,提出了一种脑电特征波提取方法。首先对脑电信号进行小波包分解,然后进行相关频段信号的重构,从而提取出特征波的概貌作为初次提取的特征波;再利用ICA分离技术,以初次提取的特征波为参考信号对其进行增强。实验结果表明,对比于独立地应用某一种方法,两种方法相结合更能有效地提取脑电信号特征波。     

深度稀疏自编码网络识别飞行员疲劳状态

针对飞行员疲劳状态识别的复杂性和准确性,提出一种基于脑电信号的深度学习模型.首先对飞行员脑电信号进行滤波分解,提取delta波(0.5~4 Hz)、theta波(5~8 Hz)、alpha波(7~14 Hz)、beta波(14~30 Hz),提取基于脑电节律波的频域特征,作为识别模型的输入向量.其次,将一种基于深度稀疏自编码网络–Softmax模型用于飞行员疲劳状态识别,并与单层的稀疏自编码网络–Softmax和传统方法主成分分析(PCA)–Softmax模型识别结果进行比较.最后,实验结果显示,针对飞行员疲劳状态识别问题,所建立的学习模型具有很好的分类识别效果,具有较好的工程推广价值.     

频带能量与样本熵在注意力脑电信号中的对比研究

脑电波是一种复杂的生物电信号,可反应出大脑内部的活动及注意力等精神状态。基于此,论文设计了注意力相关的脑电实验,并完成了受试者脑电数据的采集,对所采集的脑电数据分别从以下两种角度进行研究:从时频分析的角度,采用db4小波基对原始脑电信号进行7层小波包分解,提取了β波/θ波能量占比作为特征量;从非线性动力学的角度,提取脑电信号的样本熵作为特征,并分别对各受试者进行注意力的分级研究。通过对比分析,结果表明两者都能从一定程度上表征注意力水平的状况,但样本熵对于多级注意力的区分度更好。     

基于水平可视图多元联合模体熵的多维EEG情感脑电信号识别

目前,许多基于深度学习和神经网络的算法被应用于脑电(electroencephalogram, EEG)信号情感识别.然而,现有研究大多采用提取单维脑电信号特征的方法.随着多传感技术的更新,更具全面性和系统性的多维信号特征提取需求出现.本文尝试将复杂网络研究应用到多维情感脑电识别中,提出一种基于水平可视图多元联合模体熵的情感识别算法,该方法可以有效避免人工选取特征对实验结果的影响,保持原始序列的非线性动力学特征.首先利用水平可视图算法将多维情感脑电信号分别转换为多路可视图网络,提取模体熵特征识别情感脑电研究中的关键频带和关键通道.在此基础上,将水平可视图网络两两联合,提取多元水平联合模体熵向量,作为输入参数对情感脑电信号进行识别.由于情感脑电序列长度会对识别效果产生影响,我们将脑电信号切割成大小不一的窗口,对比不同窗口大小对分类准确率的影响.实验结果表明,当切割窗口大小为10 s时,多元水平联合模体熵对情感脑电信号的识别效果最佳,对积极脑电/消极脑电、积极脑电/中性脑电、消极脑电/中性脑电的分类准确率分别达到95.07%, 97.73%, 90.26%,优于其他二维连接参数.同时,三分...     

小波包能量谱在睡眠分期中的应用

利用小波包技术,根据脑电信号在不同睡眠状态下各脑电节律所占的成分不同,提出一种基于小波包能量谱的睡眠脑电分期方法。首先依据脑电信号各节律的频率特点选择好分解层数对信号进行小波包分解,再重构信号,提取出睡眠脑电信号的各节律;然后运用小波包能量谱计算各节律所占的能量比重;最后用3例脑电数据进行实验。实验结果表明,不同睡眠状态下各脑电节律所占比重不同,随着睡眠的深入,睡眠脑电节律θ和δ所占的能量比重增大,而节律α和β所占的比重在减少。因此,可以运用睡眠脑电信号中各节律所占的成分不同来区分不同的睡眠状态,并可作为睡眠分期的一个特征参数。     

Emotion recognition from EEG signals by using multivariate empirical mode decomposition

This paper explores the advanced properties of empirical mode decomposition (EMD) and its multivariate extension (MEMD) for emotion recognition. Since emotion recognition using EEG is a challenging study due to nonstationary behavior of the signals caused by complicated neuronal activity in the brain, sophisticated signal processing methods are required to extract the hidden patterns in the EEG. In addition, multichannel analysis is another issue to be considered when dealing with EEG signals. EMD is a recently proposed iterative method to analyze nonlinear and nonstationary time series. It decomposes a signal into a set of oscillations called intrinsic mode functions (IMFs) without requiring a set of basis functions. In this study, a MEMD-based feature extraction method is proposed to process multichannel EEG signals for emotion recognition. The multichannel IMFs extracted by MEMD are analyzed using various time and frequency domain techniques such as power ratio, power spectral density, entropy, Hjorth parameters and correlation as features of valance and arousal scales of the participants. The proposed method is applied to the DEAP emotional EEG data set, and the results are compared with similar previous studies for benchmarking.     

ICA方法用于脑电信号α波提取的研究

为在有效提取闭眼脑电信号α波的同时能够很好地保留原始信号中的其余信息,采用独立分量分析方法提取闭眼脑电信号中的α波。构造一组频率在α波频率之间的正弦和余弦信号作为对α波的参考信号,然后把这些信号以及实测闭眼脑电信号作为ICA混合矩阵的输入端,采用fastICA 算法进行信号分离,实现对α波的分离和提取,并进一步对所提取的α波进行了功率谱分析。结果表明,分离出的信号频率集中在8~13 Hz之间,完全符合α波形的特点,且去除α波后的其余信号与原始信号相关系数达到0.942,说明有效地保留了原始信号的其余信息。     

基于脑电时频空多域特征融合的情感识别研究

传统基于脑电信号（electroencephalogram,EEG）的情感识别主要采用单一的脑电特征提取方法,为了充分利用EEG中蕴含的丰富信息,提出一种多域特征融合的脑电情感识别新方法。提取了EEG的时域、频域和空域特征,将三域特征进行融合作为情感识别模型的输入。首先计算不同时间窗EEG信号的alpha、beta、gamma三个频段功率谱密度,并结合脑电电极空间信息构成EEG图片,然后利用卷积神经网络（convolutional neural network,CNN）与双向长短期记忆网络（bidirectional long short-term memory network,BLSTM）构建CNN-BLSTM情感识别模型,分别对时、频、空三域特征进行学习。在SEED数据集对该方法进行验证,结果表明该方法能有效提高情感识别精度,平均识别准确率达96.25%。     

ICA方法用于脑电信号α波提取的研究

为在有效提取闭眼脑电信号α波的同时能够很好地保留原始信号中的其余信息,采用独立分量分析方法提取闭眼脑电信号中的α波。构造一组频率在α波频率之间的正弦和余弦信号作为对α波的参考信号,然后把这些信号以及实测闭眼脑电信号作为ICA混合矩阵的输入端,采用fastICA 算法进行信号分离,实现对α波的分离和提取,并进一步对所提取的α波进行了功率谱分析。结果表明,分离出的信号频率集中在8~13 Hz之间,完全符合α波形的特点,且去除α波后的其余信号与原始信号相关系数达到0.942,说明有效地保留了原始信号的其余信息。     

结合非线性全局特征和谱特征的脑电情感识别

针对现有表征情感信息的脑电信号的非线性特征提取不完善的问题,将相空间重构技术引入情感脑电的识别中,提取了在相空间重构下基于轨迹的描述轮廓的三种非线性几何特征作为新的情感脑电特征。结合脑电信号的功率谱熵以及非线性属性特征（近似熵、最大Lyapunov指数、Hurst指数）,提出了基于主成分分析（PCA）的非线性全局特征（非线性几何特征+非线性属性特征）和功率谱熵的融合算法,以支持向量机（SVM）为分类器进行情感识别。结果显示,非线性全局特征能更有效地实现情感识别,二分类情感识别率约90%左右。基于PCA的融合情感特征相比单一特征能达到更佳的情感识别性能,四分类实验中平均识别率可达86.42%。结果表明,非线性全局特征相比非线性属性特征情感识别率有所提高,非线性全局特征以及功率谱熵的结合可以构造出更佳的情感脑电特征参数。     

Emotion recognition using EEG signals with relative power values and Bayesian network

Many researchers use electroencephalograms (EEGs) to study brain activity in the context of seizures, epilepsy, and lie detection. It is desirable to eliminate EEG artifacts to improve signal collection. In this paper, we propose an emotion recognition system for human brain signals using EEG signals. We measure EEG signals relating to emotion, divide them into five frequency ranges on the basis of power spectrum density, and eliminate low frequencies from 0 to 4 Hz to eliminate EEG artifacts. The resulting calculations of the frequency ranges are based on the percentage of the selected range relative to the total range. The calculated values are then compared to standard values from a Bayesian network, calculated from databases. Finally, we show the emotion results as a human face avatar.     

采用多路图注意力网络的情绪脑电信号识别方法

情绪是一种大脑产生的主观认知的概括。脑信号解码技术可以以一种较客观的方式来有效地研究人的情绪及其相关认知行为。本文提出了一种基于图注意力网络的脑电情绪识别方法(multi-path graph attention networks, MPGAT),该方法通过对脑电信号通道建图,利用卷积层提取脑电信号的时域特征以及各频带的特征,使用图注意力网络进一步捕捉情绪脑电信号的局部特征以及各脑区之间的内在功能关系,进而构建出更好的脑电信号表征。MPGAT在SEED和SEED-IV数据集的跨被试情绪识别平均准确率分别为86.03%、72.71%,在DREAMER数据集的效价(valence)和唤醒(arousal)维度的跨被试平均准确率分别为76.35%和75.46%,达到并部分超过了目前最先进脑电情绪识别方法的性能。本文所提出的脑电信号处理方法有望为情绪认知科学研究与情绪脑机接口系统提供新的技术手段。     

基于无阈值递归图和深度残差网络的脑电信号情感识别

提出基于无阈值递归图和深度残差网络相结合的脑电信号情感识别方法。基于非线性动力学理论,将脑电信号转化为无阈值递归图,克服了传统递归图分析中阈值选取的问题,同时脑电信号非线性特征被映射到二维平面。通过深度残差网络实现特征图非线性特征的自动提取,建立情感脑电分类模型,实现了单导联脑电信号情感识别。为进一步提高识别精度,联合四个单导联识别结果,采用“投票法”完成多导联脑电信号情感状态的联合识别。仿真结果表明,对Fp1、Fp2、F3、F4单导联脑电信号情感识别,平均准确率分别为93.82%、93.62%、94.54%、92.92%;多导联平均准确率为94.95%,提高了识别的准确率,具有很大的实用价值。     

基于多类运动想象任务的EEG信号分类研究

针对多类运动想象脑电信号个体差异性强和分类正确率比较低的问题,提出了一种时-空-频域相结合的脑电信号分析方法:首先利用小波包对EEG原始信号进行分解,根据EEG信号的频域分布提取出运动想象脑电节律,通过“一对多”共空间模式(CSP)算法对不同运动想象任务的脑电节律进行空间滤波提取特征;然后将特征向量输入到“一对多”模式下的支持向量机(SVM)中,并利用判断决策函数值的方法对SVM的输出结果进行融合;最后通过引入时间窗对脑电信号进行时域滤波,消除运动想象开始和结束时脑电的波动,进一步提高信号信噪比和算法的分类效果;实验结果显示:在时间窗为2 s时,平均最大Kappa系数达到了0.72,比脑机接口竞赛第一名提高了0.15,验证了该算法能够有效减小脑电信号个体差异性影响,提高多类识别正确率。