论文总字数：19991字

摘 要

本文设计了利用人体脑电数据来简单区分精神状态的监测系统。本系统由脑电采集电路、数据传输系统、信号预处理、特征提取与选择、情绪模式学习和实时分类等六个主要部分构成，具有脑电波原始信号采集、脑电信号的时频分析、脑电信号的特征提取、样本的机器学习、脑电信号的实时分类等功能，实现了对人体脑电信号的实时采集、特征提取以及分类，并能通过直观简明地界面实时显示过程中的各项数据。本软件具有实时性好、数据处理全面、界面直观简明等特点，为研究脑电信息中蕴含的情绪信息提供了良好的软件基础。

关键词：脑电 特征提取 情绪识别 机器学习

The Development of Monitoring Software for Mental State Based on the Rhythm of EEG

Abstract

This paper designs a system of using EEG data to distinguish human mental states simply. This system consists of six main parts. They are the EEG acquisition circuit, data transmission system, signal pretreatment, feature extraction and selection, learning emotional pattern and real-time classification. This system has many functions of EEG raw data acquisition, the machine learning of the samples and the real-time classification of EEG data. This system realizes the real-time acquisition of EEG data, extraction and selection of feature and real-time display of various data concisely and intuitively. The software has the advantages of real-time, processing data comprehensively and clean interface. It will provide a good software foundation for the study of emotional information from EEG data.

Key Words: EEG; Feature extraction; Emotion recognition; Machine learning

目 录

摘要 I

ABSTRACT II

第一章 绪论 1

1.1 课题背景和意义 1

1.2 国内外相关研究 1

1.2.1 人工神经网络在睡眠脑电波领域的研究 1

1.2.2 深度学习在运动想象脑电分类上的应用 2

1.2.3 贝叶斯算法在情绪脑电方面的研究 2

1.3 课题研究的主要工作 2

第二章 系统方案设计与论证 3

2.1 总体方案的设计 3

2.1.1 采集电路设计 3

2.1.2 上位机软件设计 4

2.2 方案的选择与论证 4

2.2.1 电源模块的论证与选择 4

2.2.2 脑电采集模块的选择和论证 5

2.2.3 控制系统的选择与论证 5

2.2.4 数据传输方案 6

2.2.5 信号预处理方案 6

2.2.6 特征提取方案 6

2.2.7 模式识别方案 7

2.3 本章小结 7

第三章 硬件电路设计 8

3.1 硬件总体设计 8

3.2 STM32最小系统的设计 8

3.3 脑电采集电路 10

3.4 蓝牙传输电路 11

3.5 本章小结 11

第四章 软件方案设计 13

4.1 软件系统总体构成 13

4.2 脑电数据采集 14

4.2.1 串口初始化 14

4.2.2 串口读取脑电信息 14

4.2.3 蓝牙传输数据 15

4.3 信号预处理 15

4.3.1 程序流程 15

4.3.2 信号解包 16

4.3.3 原始信号采样 17

4.3.4 信号去噪 17

4.4 特征提取 18

4.4.1 程序流程 18

4.4.2 情绪诱发设计 19

4.4.3 特征提取 19

4.4.4 采样设置 20

4.5 训练神经网络 20

4.5.1 BP神经网络 20

4.5.2 程序流程 22

4.5.3 相关类设计 22

4.6 实时识别 24

4.6.1 程序流程 24

4.7 本章小结 25

第五章 调试实验结果 26

5.1 硬件采集电路调试 26

5.2 EEG信号测试 27

5.2.1 配置库文件 27

5.2.2 连接硬件设备 27

5.2.3 信号解包测试 28

5.3 跨线程调用控件 28

5.4 .NET与MATLAB混合编程 29

5.5 信号预处理 31

5.5.1 频域低通滤波 31

5.5.2 巴特沃斯低通滤波 31

5.5.3 小波去噪 32

5.6 特征提取 33

5.7 BP网络调试 34

总结与展望 36

参考文献 37

致谢 39

1. 绪论
2. 课题背景和意义

人的精神状态是一个人处于某一时刻的情绪、心态以及生理状态的综合体现。研究人在不同状态下的精神状态一直是医疗领域的一个重要课题，通过监测病人的精神状态能够帮助医生更加准确地判断病人的病情，从而能对症下药，提供最有利合适的治疗方案。除了在传统医疗行业的重要地位外，精神状态的识别在人-机接口领域也是至关重要的一个组成部分。随着技术的发展，人-机交互的定义被进一步扩大，如果能通过识别人的思维、情绪等信息实现人机交互，那么在交互过程中能进一步解放人们的双手，从而提高工作效率，这是今后发展的一个趋势。

在国内外的研究中，通过脑电信号分析人的情绪是一个常用而有效的精神状态识别方法。近年来，随着脑电信号采集设备的推广和普及、计算机计算能力的快速加强、机器学习理论的日益成熟以及社会关注度的不断提高，基于脑电信号的情绪识别在生物医学工程和神经工程等研究领域中越来越受人关注。本文将从脑电信号的采集传输、脑电信号预处理、特征提取、BP网络的训练以及脑电信号的实时分类等几个方面设计软硬件，研究基于脑电信息的精神状态的识别方法。

本文旨在完成研究情绪识别的一般流程并完成相应的软硬件，为今后的进一步研究做理论和软硬件支持。

1. 国内外相关研究
   • 1. 人工神经网络在睡眠脑电波领域的研究

人工神经网络在脑电领域运用最为广泛的是反向传递（Back Propagation，BP）方法，也就是BP神经网络。2010年，张垒发表文章讲述了利用神经网络自动识别睡眠脑电波的研究。文章中作者主要采用了BP神经网络对睡眠脑电波进行特征识别，并采用SDNN模型建立了睡眠脑电特征波识别系统。BP网络在处理非线性函数是具有广泛的适应性和有效性，虽然有诸如学习效率较低等缺陷，但仍然是处理脑电波特征提取非常好的方法。作者还基于时域和频域二维的数据特征波形提出了特征识别的SDNN模型，该模型通过学习可以识别出瞬时、孤立的特征波形，并且可以应对在脑电波形频率中的个体差异性问题。作者通过神经网络实现了脑电波的特征提取，并应用于睡眠分析工作，取得了较为显著的成果。

• • 1. 深度学习在运动想象脑电分类上的应用

深度学习（Deep Learning）是人工神经网络的进一步发展，由于大多采用了半监督式的学习方法，所以在处理部分未标识的数据时有很强的能力。2015年，戴若梦研究了深度学习与传统分类器在识别运动想象脑电上的分类精度和效率。作者首先对原数据进行滤波和ICA处理，减弱了工频干扰、肌电、心电等噪声。然后作者将信号进行小波变换提取特征信息，并放入SVM和softmax神经网络中训练，研究传统分类机的精度。最后作者研究了深度学习中SAE和CNN模型对脑电数据的分类精度。通过研究对比发现，相较传统的分类器，深度学习有着明显的精度优势，而且不需要对数据进行手动提取特征，可以直接训练原始脑电数据；但同时有着训练时间长、对计算机性能要求高等劣势。

• • 1. 贝叶斯算法在情绪脑电方面的研究

贝叶斯分类算法是基于贝叶斯定理的一类算法，这个有着250年历史的算法在信息时代有着无比重要的地位，常见的算法有朴素贝叶斯算法（Naive Bayes，NB）、平均单依赖估计（Averaged One-Dependence Estimators，AODE）等。2015年10月份，高佳、王蔚两人发表文章运用稀疏贝叶斯网络（Sparse Naive Bayesiannetwork，SNB）研究了情绪脑电的有效性网络。他们首先量化EEG信号并提取其中的alpha波和theta波，利用贝叶斯网络分析了不同唤醒程度下这两种节律的拓扑属性差异，同时还发现了左中颞比右前额在高唤醒度的因果关系更明显。通过实验分析发现，高唤醒度的EEG信号的平均聚类系数较高，且特征路径长度更长。

1. 课题研究的主要工作

本次课题的研究主要是在采集到的脑电信号的基础上开发对应的上位机软件。上位机软件主要完成对脑电信号进行模式识别所需要的功能的开发，包括数据预处理、特征提取、情绪模式的训练和识别。

1. 系统方案设计与论证

本系统主要包括硬件采集电路和实时分析软件两部分。硬件部分完成对脑电信号的采集并通过蓝牙传输至上位机软件，上位机软件完成对数据的预处理、特征提取、神经网络的训练以及对脑电信息的实时分析结果的显示等工作。本设计的主要工作集中于上位机的开发，由于需要运用到大量的数学分析手段，所以将采用调用matlab程序的方式完成部分工作来提高准确性和软件的运行效率。软件主要使用.NET和matlab混合编程的方式编写，设计的编程语言主要为C#和m语言。

1. 总体方案的设计

本系统分为硬件采集部分和软件分析部分。硬件部分主要由电源模块、脑电采集模块、最小系统模块、通信模块等组成；软件部分主要由数据显示、数据预处理、特征提取、神经网络和实时分析等模块组成。

1. 采集电路设计

硬件采集电路的总体设计如图2-1所示：

请支付后下载全文，论文总字数：19991字