腦電數(shù)據(jù)的多被試特征值分析

0情感腦組成電腦電作為與大腦活動密切相關(guān)的生理信號，已成為情感研究和計算機科學(xué)領(lǐng)域的研究熱點。情感腦電信號研究的目的就是在進行人機交互的過程中檢測特定的情感狀態(tài)并實現(xiàn)相應(yīng)的有價值的應(yīng)用。歸一化是一種在模式識別中應(yīng)用較為廣泛的數(shù)據(jù)預(yù)處理技術(shù),但是討論特征歸一化對識別率影響的研究相對較少1腦電特征及腦電節(jié)小波熵Coifman及Wickerhauser在多分辨分析的基礎(chǔ)上提出了小波包的概念,可以實現(xiàn)全頻率范圍內(nèi)的等頻帶寬正交分解,從而避免了小波變換只能對低頻部分進行進一步分解而無法再對高頻部分進行分解的缺陷。小波包分解方法用于進行情感腦電特征提取的優(yōu)勢為:(1)腦電信號是一種非常復(fù)雜的非平穩(wěn)非線性的信號,不同時刻所含的頻率成分是不同的。單純的時域分析或者頻域分析都不能有效地反應(yīng)腦電信號的特征。小波包變換作為一種時頻域分析方法,可以實現(xiàn)信號全頻率范圍內(nèi)多尺度的高低頻部分的精細分解,從而能夠有效分析非線性非平穩(wěn)信號。(2)通過對小波包分解系數(shù)的重構(gòu)可以得到δ、θ、α、β、γ這五個節(jié)律的腦電信號。自發(fā)腦電中最能反映認知特性的是腦電節(jié)律特性本文共提取了7種情感腦電時頻分析中常用的特征,分別為4個節(jié)律的能量、4個節(jié)律對稱電極能量比、4個節(jié)律對稱電極能量差、4個節(jié)律的能量占總能量的比例值、腦電節(jié)律小波熵信號能量計算公式為:式中,x4個節(jié)律對稱電極能量比:14對電極上所得到的腦電信號在五個頻帶上每一秒的平均能量做差。4個節(jié)律對稱電極能量差:14對電極上所得到的腦電信號在五個頻帶上每一秒的平均能量做商。4個節(jié)律的能量占總能量的比例值:4個節(jié)律的能量分別除以它們的能量總和。腦電節(jié)律小波熵:求取4個節(jié)律的能量以及它們的能量和,并根據(jù)式(2)、式(3)計算腦電節(jié)律小波熵。式中E_total為四個節(jié)律的能量和,j是四個節(jié)律中的任意一個節(jié)律的編號,entro表示腦電節(jié)律小波熵值。小波包熵小波包分解樹的最后一層各結(jié)點的能量熵值,計算公式如式(2)、式(3),此時j表示的是各結(jié)點的編號。小波包分解樹結(jié)點能量小波包分解樹最后一層各結(jié)點的能量值。2歸一化2.1對數(shù)函數(shù)法數(shù)據(jù)歸一化的方法有很多種,腦電信號分析領(lǐng)域常用的方法有“最大最小值法”本文要分析的幾種方法的具體公式如下。其中min(x(n))表示樣本數(shù)據(jù)x(n)的最小值,max(x(n))表示樣本數(shù)據(jù)x(n)的最大值。該公式可以將一個原始值x(k)通過min-max標準化映射成在區(qū)間[0,1]中的值。Z-score標準化法如式(5):則新序列y1,y2,…,yn的均值為0,而方差為1。其中,x表示樣本數(shù)據(jù)x(n)的均值,A為調(diào)節(jié)因子,是一個常數(shù)。對數(shù)函數(shù)法如式(7):對數(shù)函數(shù)法主要用于數(shù)據(jù)的數(shù)量級非常大的場合。其中,xmapminmax函數(shù)中的歸一化公式如式(9):當(dāng)y該函數(shù)可以通過給y2.2在被試和被試之間各因子t表1給出了2名被試共8個視頻6個電極的gamma能量比例值。從表1中可以看出,被試1、2內(nèi)部數(shù)據(jù)是存在規(guī)律性的,類別1的值基本都高于類別2的值。但將兩個被試的數(shù)據(jù)放在一起進行統(tǒng)一分類時,由于被試2中的數(shù)值普遍都高于被試1中的數(shù)值且數(shù)據(jù)間差值較大,就難以再將類別1與類別2正確區(qū)分。此外,不同電極采集的信號的幅值也是存在差異的。由于常用的歸一化方法都是取最大值、最小值、中間值、均值等具有統(tǒng)計意義的值,特征值差異較大時,這些統(tǒng)計值受較大特征值的影響也較大,歸一化后的特征值間差異仍大。當(dāng)以整個數(shù)據(jù)集或整個被試為單次歸一化的數(shù)據(jù)范圍時,被試間特征值的較大差異以及電極間特征值的較大差異會使得情感因素的影響難以凸顯,情感識別的結(jié)果也不太會理想。如果以單個被試的單個特征屬性對應(yīng)的特征值作為單次歸一化的數(shù)據(jù),就不會存在被試間以及電極間特征值的相互影響,得出的歸一化結(jié)果也會更好地保留原始數(shù)據(jù)的內(nèi)部特征。3實驗3.1帶通濾波的腦電數(shù)據(jù)本實驗的數(shù)據(jù)集是SanderKoelstra等人提供的一個公開的多模態(tài)情感數(shù)據(jù)集,名為DEAP本文數(shù)據(jù)分析所使用的數(shù)據(jù)為DEAP數(shù)據(jù)集中經(jīng)過預(yù)處理之后的腦電數(shù)據(jù),采樣頻率為128Hz。預(yù)處理過程包括:去除眼電偽跡、4.0~45.0Hz的帶通濾波。每個視頻腦電數(shù)據(jù)的時長為63秒,其中前3秒為實驗前的基線數(shù)據(jù),后60秒為實驗數(shù)據(jù)。由于預(yù)處理后的數(shù)據(jù)中有些被試給出的評價結(jié)果與實驗素材事先劃定的類別不一致,也就是存在有些實驗沒有成功激發(fā)出正確的情感或者被試由于失誤造成打分錯誤等原因,本實驗只選用了其中一部分數(shù)據(jù)。實驗最終選出了20個被試的共80個視頻的腦電數(shù)據(jù)。這80個視頻可分為兩類,分別是HAHV、LALV。20個被試中有17名男性被試,3名女性被試。每個被試4個視頻,2個類別為HAHV、2個類別為LALV。本文使用了第34s到第49s,共16s的數(shù)據(jù)。原因為:(1)腦電數(shù)據(jù)量大會降低情感識別的時間效率;(2)實驗剛開始時被試還沒有進入狀態(tài),情感還沒有很好地激發(fā),實驗快結(jié)束時被試情感會減弱甚至消失。3.2特征特征歸一化實驗具體步驟為:步驟一利用小波包分解與重構(gòu)從情感腦電信號中提取出theta、alpha、beta、gamma這4個節(jié)律的腦電數(shù)據(jù),小波包分解層數(shù)定為6步驟二提取特征。步驟三用最大最小值法、Z-score標準化法、均值法、對數(shù)函數(shù)轉(zhuǎn)換法,中間值法、Matlab中提供的mapminmax函數(shù)對提出的特征分別進行歸一化處理。步驟四用SVM進行分類。本文分類過程采用支持向量機(SVM)進行十折交叉驗證求平均分類準確率,以增強最終結(jié)果的可信度當(dāng)以9∶1的比例隨機選取訓(xùn)練集與測試集進行分類并重復(fù)多次時,如果每次的結(jié)果基本是一類準確率為100%,另一類為0%時,則認為分類器把所有樣本都歸為了一類,這樣的結(jié)果本文認為是不可靠的。3.3特征自適應(yīng)的分類算法實驗結(jié)果如表2-表6所示。其中(1)“數(shù)據(jù)集”表示所有被試的特征,“被試”表示單個被試的所有特征,“屬性”表示單個被試的單個屬性的特征。(2)mapminmax對應(yīng)列未標注表明兩個范圍的準確率相同。對腦電數(shù)據(jù)進行小波包分解可以取某層所有結(jié)點的能量作為特征,但是取不同層的結(jié)點所得的分類結(jié)果是不同的。表7給出了分別取第3、4、5、6層的結(jié)點能量作為特征時的平均分類準確率。由于取6層時特征數(shù)目達到2048,每個結(jié)點的頻段寬度僅為2Hz,且準確率相對于取5層,相差不大,因此,接下來針對小波包分解樹第5層的結(jié)點能量進行特征選擇及分類準確率的求解。特征選擇的過程分為兩步:(1)求取小波包分解樹最后一層各個結(jié)點小波包系數(shù)的方差貢獻率然后排序,取前n個結(jié)點的系數(shù)并求其能量作為特征;(2)求每個樣本32個通道所有特征的F-score值并進行排序,取前m個特征作為最終的分類特征。表8為n取不同值時的平均分類準確率(n取1到8時的分類準確率較低,此處不再給出。)。表9為m取不同值時的平均分類準確率(m小于330時的平均分類準確率更低,大于360的平均分類準確率也基本維持在75%,表9中給出的是平均分類準確率有變化的m值。)。從表9中可知,特征數(shù)目從原始的1024降到360后準確率仍維持在75%,并且是7類特征中分類準確率最高的。由上面的6個表中給出的結(jié)果可以看到,對于Matlab中提供的mapminmax函數(shù),以單個被試的所有特征或單個被試單個屬性的特征值為單次歸一化數(shù)據(jù)得到的結(jié)果是一樣的,而且兩種方式都比以所有被試的特征值為單次歸一化數(shù)據(jù)的結(jié)果要好。由于對數(shù)歸一化方法是對單個特征值進行變換,因而三種歸一化方式得到的結(jié)果是一樣的,而且相比其他歸一化方法,對數(shù)函數(shù)法是歸一化效果最不好的。對于剩余的4種歸一化方法,以單個被試單個屬性的特征值為單次歸一化數(shù)據(jù)得到的結(jié)果明顯好于其它兩種方式。對于節(jié)律的能量、節(jié)律能量占總能量的比例這兩種特征,gamma在4個節(jié)律中分類效果最好。theta得到的結(jié)果相對于其他三個節(jié)律都是最差的,這與文獻[14]中的結(jié)果是一致的。alpha節(jié)律的對稱電極能量比相較于其他3個節(jié)律,分類效果更好一些,這表明了alpha節(jié)律在左右半球不對稱性上體現(xiàn)的更明顯從實驗結(jié)果還可以看到合適的歸一化方法與方式可以明顯地增強SVM分類器的分類效果,而不合適的歸一化處理有時反而會降低分類準確率。不同的情感腦電特征所適合的歸一化方法是不同的。4情感腦電特征分類與小波包控制針對多被試情感腦電數(shù)據(jù)存在被試間特征值差異較大的問題,本文分析了單次歸一化的數(shù)據(jù)范圍對分類準確率的影響。實驗表明:作為單次歸一化的數(shù)據(jù)范圍,單個被試的單個特征屬性比所有被試的特征或單個被試的所有特征得到的分類結(jié)果更好。比較7種情感腦電特征分類的結(jié)果,小波包結(jié)點能量作為最原始的特征