论文部分内容阅读
情绪在人们的思考和行为方式中发挥着重要的作用,情绪识别的目标是使系统能够识别人的情绪,从而改善用户的情绪状态和生活质量。由于脑电信号(Electroencephalogram,EEG)与情绪的联系最为密切,相较于其他生理信号具有实时差异性,因此成为了研究情绪的首选方法。此外,可穿戴式脑电设备解决了传统大型脑电设备价格昂贵、操作过程繁琐等问题,可被用于日常生活中采集脑电信号。本文评估了一款可穿戴式脑电设备的性能,并使用该设备研究了基于脑电信号的情绪识别,再同APP应用开发结合起来构建成一个完整的系统。具体的研究工作如下:1、将可穿戴式脑电设备Mindeep与大型的研究级脑电设备NeuroScan进行了四个方面的对比,分别是舒适度、佩戴时间、信号相关性以及Berger effect现象。结果表明,Mindeep相较于NeuroScan更为舒适,且便于佩戴。同时,Mindeep信号与NeuroScan信号具有极高的相关性,以及两个信号都表现出了Berger effect的特性。此外,在脑电信号预处理中,本文采用了一种新型的去眼电算法,将传统的小波滤波算法中的硬阈值优化为自适应阈值,结果表明该算法能够较好地去除脑电信号中的眼电伪迹;2、设计了基于视频的情绪诱发实验,采集了被试在积极和消极情绪状态下的脑电信号。分别基于额叶偏侧化、多尺度熵(Multi-Scale Entropy,MSE)以及集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)提取了8个、12个以及20个特征。其中,将多尺度熵的传统应用方法根据脑电信号的节律特性做了重要改进,命名为脑电多频段尺度熵(Multi-Scale Entropy of EEG Band,EBMSE)。结果表明,将三种特征组合用于支持向量机(Support Vector Machine,SVM)分类器得到的平均分类准确率最高,为81.25%。将获得了最高准确率的分类模型作为最优模型,通过绘制受试者工作特征曲线(receiver operating characteristic curve,ROC)对其进行性能评估,求得ROC曲线下的面积(Area under the Curve,AUC)为0.90,证明了该分类器的性能优异;3、开发了基于Android系统的APP,实现的主要功能有:接收可穿戴式脑电设备采集的脑电数据,并在APP界面进行实时绘图显示,同时将脑电数据传输到服务器端进行情绪识别的算法分析,最后将服务器端返回的结果在APP界面进行显示;4、将APP客户端同可穿戴式脑电设备以及情绪识别的研究成果结合起来构成了一个系统,并对系统进行了联调测试,确定其基本实现了实时采集、实时分析、实时显示的研究目标。