基于线性核主成分分析和XGBoost的脑电情感识别

本文通过引入线性核的主成分分析和极端梯度提升(XGBoost)模型,给出了一种连续视听刺激下脑电(EEG)情感四分类识别算法.为体现适普性,文中使用传统的功率谱密度(PSD)作为脑电信号特征,并结合XGBoost学习得到weight指标下的特征重要性度量,然后使用线性核的主成分分析对经阈值选择的重要特征进行处理后送入X...     

基于脑电信号间Granger因果关系特征的情感识别

鉴于人情感变化时不同脑区与频段间脑电(EEG)信号会交互作用、形成因果相关信息流,其特征应是情感识别的关键点。因此拟将不同脑区通道、不同频段的EEG信号之间Granger因果系数差值作为特征在愉悦度、唤醒度以及控制度这3个维度上分别进行二分类的情感识别以进一步提升其效果。采用国际情感数据集DEAP,首先小波包变换将脑电信号分解成θ、α、β、γ4个频段,双密度双树复数小波变换对信号去噪,再分别计算每个频段以及每两个频段组合下各脑区之间因果关系值,将它们分别单独作为特征,用支持向量机(SVM)分类,最后将识别率高(70%)的频段特征送入分类器,情感分类识别对象是单独被试,32名被试的平均识别率为96%,用功率谱密度(PSD)、不对称系数(AI)、能量、熵这4种特征的识别率为80%左右,因此将Granger因果关系用于基于脑电的情感分类与识别是一种有效提高情感识别率的方法。