基于改进的GAF算法的EEG情感识别

利用脑电图(EEG)信号对人类的情感进行识别一直是一个重要且具有挑战性的研究领域。传统的方法都是对一维EEG信号进行分析，然后提取特征进行识别；但这种方法需要提取许多时域或频域上的特征才能取得较好的识别效果。考虑到二维图像蕴含的信息要远远比一维信号蕴含的信息丰富，因此将一维信号转换成二维图像可以提取更加有效的特征进行识别。为此，该文提出了一种基于改进的Gramian Angular Field(GAF)算法的EEG情感识别方法。首先，从EEG信号中提取alpha、beta、gama三个频段的子带信号；然后，提出了一种基于马氏距离加权的改进GAF算法将一维EEG信号转换成二维特征图像；接着，从二维图像中提取奇异值熵、图能量等特征；最后，利用卷积神经网络(CNN)对提取的EEG特征进行分类识别。基于广泛使用的DEAP数据集，针对四分类(HAHV、LAHV、LALV和HALV)情感识别任务，对该模型进行了验证。实验结果表明：所提算法的平均分类准确率达到92.63%,与现有的识别方法对比具有一定的优势。