摘 要

目前为止，已经报道了基于脑电信号的情绪识别的各种发现，但寻找与情绪高相关度特征和提高识别精度和效率的研究依然在进行。

本文着重于提取与情绪有关的特征；然后进一步降低特征维数，提高含有用信息更多特征的权重；最后对样本集用分类算法进行有监督学习训练和测试，得到被试者的识别准确率，分别选择了频域功率谱和样本熵作为脑电特征，多层次多角度对两种特征进行了比较，所得结果对于尽可能提取与情绪有关的特征具有重要的指导意义。

论文主要研究了脑电信号的基本特性和情绪分类方法，在前人的研究基础上系统设计了基于脑电信号情绪识别的流程，将一整个课题碎片化，逐个解决问题。分析比较了不同特征的表现并得出结论；尝试了利用特征降维的方法在不牺牲分类精度的前提下，提高了识别效率。

研究结果表明：（1）子频带功率谱密度和样本熵都可以作为识别情绪的特征，beta和gamma频带脑电波包含大量与人高级认知有关的信息。样本熵对于兴奋，紧张等高唤醒度的情绪识别能力突出。（2）选择适当的特征维数可以节约时间和空间资源，又不影响分类精度，主成分分析算法很适合用于脑电特征降维。

本文的特色：重点研究了提取特征和选择特征两大部分，引入了样本熵这一新特征，并和频域特征结合来识别情绪。发现了beta和gamma频带脑电波与人的情感活动有莫大关系。行文按脑电数据处理顺序完成，清晰明了，具有较好的可阅读性，参考性。

关键词：EEG；特征提取；情绪识别；SVM；样本熵

Abstract

So far, various findings of EEG-based emotion recognition have been reported, but the search for high correlation characteristics with emotions and the improvement of recognition accuracy and efficiency are still underway.

This article focuses on extracting features related to emotions; then further reducing the feature dimensions and increasing the weights that contain more features of the information; at last, the SVM classification algorithm is used for supervised learning training and testing of the sample set, and the subject's recognition accuracy is obtained. In the rate, the frequency domain power spectrum and the sample entropy were selected as the features of EEG. The two features were compared in multiple levels and from multiple perspectives. The results obtained have important guiding significance for extracting emotion-related features as much as possible.

The paper mainly studies the basic characteristics of EEG signals and emotion classification methods. Based on previous studies, the system has designed a process based on emotion recognition of EEG signals, fragmenting an entire subject, and solving problems one by one. Analyzes and compares the performance of different features and draws conclusions. Attempts to use feature dimensionality reduction methods have improved recognition efficiency without sacrificing classification accuracy.

     The research results show that: (1) Both the sub-band power spectral density and the sample entropy can be used as features to identify emotions. The beta and gamma band brainwaves contain a large amount of information related to high-level cognition. Sample entropy has a strong ability to recognize emotions such as excitement, nervousness and high arousal. (2) Selecting the appropriate feature dimension can save time and space resources without affecting the classification accuracy. PCA algorithm is very suitable for EEG feature dimension reduction.

     The features of this paper: We focus on the extraction of features and the selection of features. We introduce the new feature of SE and combine it with frequency domain features to identify emotions. It was found that the beta and gamma band brainwaves have a great relationship with human emotion activity. The texts are processed according to the sequence of EEG data processing, which is clear, and has good readability and reference.

Key words：EEG；feature extraction；emotion recognition；SVM；sample entropy

目录

第1章 绪论 1

1.1 研究背景和意义 1

1.2 情绪 2

1.2.1 情绪的定义 2

1.2.2 情绪的分类 2

1.3 脑电信号 4

1.3.1 脑电信号特性 4

1.3.2 DEAP数据集 4

1.4 本文的组织结构 6

第2章 特征提取方案的比较和选择 7

2.1 特征提取 7

2.1.1 常见脑电特征 7

2.1.2 功率谱密度 9

2.1.3 样本熵 9

第3章 特征降维 11

3.1 维数灾难理论 11

3.2 特征降维 12

3.2.1 主成分分析 12

第4章 基于支持向量机的分类算法 14

4.1 支持向量机模型 14

4.1.1 线性可分SVM 14

4.1.2 线性不可分SVM 16

4.1.3 LIBSVM工具箱 17

第5章 结果分析 18

5.1 数据处理流程 18

5.2 情绪识别结果 19

5.2.1 不同特征的表现 19

5.2.2 不同维数的表现 22

第6章 结论与展望 25

6.1 结论 25

6.2 未来展望 25

参考文献 25

致谢 27

第1章 绪论

1.1 研究背景和意义

近几十年来人工智能发展迅速，人们大胆设想并努力实现机器如自然人一样可以工作，学习甚至拥有感情。从而衍生出的情感计算是人工智能领域非常具有挑战性的一个分支。1997年,麻省理工学院教授Rosalind Picard出版了《Affective computing》一书，将“情感计算”定义为与情感有关，产生自情感或可以对情感施加影响的因素计算^[1]。中国科学院自动化研究所的胡包刚等人也提出了情感计算的定义 : “情感计算的目的是通过赋予计算机识别、 理解、表达和适应人的情感的能力来建立和谐人机环境，并使计算机具有更高的、全面的智能”^[1]。

在医疗保健方面，机器可以帮助有认知障碍的人如自闭症患者学习社交技能；能获取有表达障碍的人如脑卒中患者对食物，音乐选择，睡眠质量等高级需求，进而提供给他们更舒适的护理服务；还能用于精神类疾病的辅助诊断。

在交通安全方面，情绪识别机器可以实时监测司机的驾驶状态，判断驾驶员是否疲惫，心情烦躁等，将结果反馈给司机及有关部门，及时采取相应措施，可以降低因不良情绪造成的交通事故的概率^[2]。

在电子竞技方面，获取用户对游戏的喜好度和熟悉度，进一步挖掘游戏的亮点，完善游戏漏洞和缺陷；或者是监测游戏者的呼吸和心率，若游戏者极度疲劳和亢奋，能够及时提醒停止游戏。

在商业营销方面，获取消费者对于商品偏好的真实数据，针对不同消费者做出个性化的推荐，提高顾客购物体验感的同时，创造更多的利益。

通过上面的描述，我们可以发现，情感计算能否取得有效研究成果是实现更友好的人机交互的关键所在，具有相当大的潜力，若大力发展可以服务于日常生活的诸多场景。

情感计算的研究内容大体可分成信号的采集和提取，机器对情绪的识别和理解，计算机与人交互三个部分。而情绪识别则是最基础，最核心的模块。情绪识别的方法可分为人脸表情情绪识别，肢体情绪识别，语音语义情绪识别，中枢神经信号情绪识别和自主神经信号情绪识别。前三种可以统称为非生理信号情绪识别，后面两种则是生理信号情绪识别。基于非生理信号的情绪识别已经有相当多的国家和研究团队在做，而且取得了实质性的成果。比如日本NEC公司与SGI公司合作开发的KOTOHANA终端，它在2006年全世界最大的TI展会Cebit 上展出^[3]。它是一个类花型设备，可以识别远程语音所包含的情绪，红花亮代表开心，蓝色亮代表忧伤。而我国最早研究的情感智能方向就是人脸识别，中国科学院计算所山世光教授所带领的团队开发的人脸识别库seetaface识别准确率达到了97.1%。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：