2025《情感脑信号特征提取及识别方法案例分析》2600字.docxVIP

第1章引言

情感脑信号特征提取及识别方法案例分析

目录

TOC\o1-3\h\u20012情感脑信号特征提取及识别方法案例分析 1

70951.1脑电特征提取 1

284811.1.1时域特征 1

46241.1.2频域特征 2

70531.1.3时频域特征 3

27611.2功能性近红外信号特征提取 4

137401.2.1时域特征 4

143841.2.2频域特征 5

82711.2.3时频域特征 5

280031.3特征降维 6

144681.4分类识别 6

1.1脑电特征提取

1.1.1时域特征

由于脑电信号的时域信号描述的是信号与时间的关系，更为直接。在利用脑电信号进行情感识别时，常提取的时域特征是标准差、平均值、一阶差分绝对值的平均值、二阶差分绝对值的平均值、归一化一阶差分、归一化二阶差分，以及Hjorth参数特征Activity、Mobility和Complexity，Activity表示中信号波幅的偏离程度，Mobility可以衡量坡度的变化，Complexity用于衡量一个振幅上有多少个标准的坡。

设x(i)表示预处理后脑电信号的值，i=1,2,……,N，N表示一个样本包含的采样点数。脑电信号的时域特征的计算公式如下：

平均值

(1)

标准差

(2)

一阶差分绝对值的平均

(3)

二阶差分绝对值的平均

(4)

归一化一阶差分

(5)

归一化二阶差分

(6)

Activity

(7)

Mobility

(8)

Complexity

(9)

1.1.2频域特征

功率谱密度可以体现信号的功率随频率的变化情况，单位是W/Hz。功率谱密度计算方法分为：传统的非参数方法和现代的参数方法。传统的非参数方法包括周期图法、自相关法等。我们采集脑电信号波形是以波的形式表示，通过傅里叶变换，将脑电信号转换到频域，再用周期图法求功率谱密度。设x(i)表示预处理后脑电信号的值，i=1,2,……,N，N表示一个样本包含的采样点数。P(w)表示功率谱密度，其计算方法如公式10所示。

(10)

香农(Shannon)信息熵在连续变量上的推广形式是微分熵。设X采集的脑电信号，其概率密度函数用p(x)，则脑电信号的微分熵可以如下公式表示，微分熵只与概率密度函数有关。

(11)

实验采集的脑电信号经过预处理之后符合高斯分布[28]，则脑电信号的概率密度函数为：

(12)

将上式代入微分熵的计算公式可得：

(13)

(14)

1.1.3时频域特征

时频域特征可以让我们同时观察脑电信号的时域和频域信息，在上文中我们分别单独从频域提取脑电信号的特征，但是由于脑电信号的频率时随着时间按变换的，所以从时频域提取脑电信号的特征对于后续的情感识别意义重大。时频域的特征提取方法常用的有小波变换(WaveletTransform，WT)、经验模态分解(EmpiricalModeDecomposition，EMD)、短时傅里叶分析(Short-timeFourierTransform，STFT)、等。小波变换是在脑电信号处理中常用的方法之一，小波变换与傅里叶变换原理相似，小波变换就是将傅里叶变换中使用的基由三角函数变为小波函数。小波变换分为离散和连续两种形式，可以同时观察频率和时间。

小波变换公式如下式：

(15)

表示小波函数，a表示尺度，控制小波函数的伸缩，b表示平移量，控制小波函数的平移。小波函数要求必须是奇对称或者偶对称，必须是实函数且有值区间必须是有限的。

设E={E1,E2,…En}是脑电信号在n个尺度上的小波能谱，设qi=Ej/E，则小波能谱熵可以表示为：

(16)

1.2功能性近红外信号特征提取

功能近红外信号采集的是不同情感状态下不同血红蛋白的相对浓度变化，所以采集的功能近红外信号直接转变为各个通道的氧合血红蛋白和脱氧血红蛋白的浓度。在大脑的情感发生波动时，氧合血红蛋白Δ??????2含量发生的变化比较明显，敏感性更高。所以最终对氧合血红蛋白Δ??????2的数据进行特征提取。

由于大脑出现情感波动时，血氧含量的变化需要一定时间，所以氧合血红蛋白浓度的频域特征在进行情感识别时的意义不大，所以只需要对信号在时域进行特征提取。

1.2.1时域特征

设y(i)表示氧合血红蛋白的浓度值，i=1,2,…N，N表示一个样本中所包含的样本点。当氧合血红蛋白的浓度发生变化时，可能时缓慢的上升或者缓慢的下降，所以提取信号平均值时是对信号先取绝对值，之后在进行平均。

1)平均值

(17)

2)方差

(18)

3)峰度fk

(19)

4)偏度fs

(20)

功能近红外信号除了利用上述统计特征外，还可以将样本点生成的曲线进行拟合，求得曲线的斜率k。在这个求解过