[35]。在選定數(shù)據(jù)集后，首先是根據(jù)DEAP的SAM數(shù)據(jù)確定標(biāo)簽，期間也嘗試過(guò)以喚起（arousal）和文獻(xiàn)中提到的scal值作為標(biāo)簽劃分，但效果不夠理想，因此最終以效價(jià)（valence）作二分類(lèi)劃定標(biāo)簽。在數(shù)據(jù)特征處理階段，經(jīng)過(guò)查閱資料后使用FFT變換，求取頻段上的功率作為特征輸入。在數(shù)據(jù)分類(lèi)階段，分類(lèi)器選擇了傳統(tǒng)機(jī)器學(xué)習(xí)方法的支持向量機(jī)和隨機(jī)森林算法，以及目前在計(jì)算機(jī)圖像中表現(xiàn)優(yōu)異的卷積神經(jīng)網(wǎng)絡(luò)，由于處理之后的腦電信號(hào)與計(jì)算機(jī)圖像的數(shù)據(jù)尺寸不一致，因此重新設(shè)計(jì)了網(wǎng)絡(luò)，將卷積核改為長(zhǎng)方形，以適應(yīng)處理之后的腦電信號(hào)尺寸。最終支持向量機(jī)，隨機(jī)森林，卷積神經(jīng)網(wǎng)絡(luò)在測(cè)試集分別達(dá)到70.07%，82.65%，73.78%的準(zhǔn)確率達(dá)到最初設(shè)定的要求在之后也通過(guò)偽標(biāo)簽技術(shù)實(shí)現(xiàn)了半監(jiān)督學(xué)習(xí)，將卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率小幅度提升到74.33%。6.2基于腦電信號(hào)的情緒分析研究展望對(duì)于此次基于腦電信號(hào)的情緒分析的研究，結(jié)合了腦電研究領(lǐng)域與計(jì)算機(jī)前沿技術(shù)對(duì)情緒的分類(lèi)。在此次跨學(xué)科領(lǐng)域的研究，對(duì)后續(xù)的學(xué)習(xí)奠定基礎(chǔ)。目前情緒的腦電識(shí)別仍然是一個(gè)未成熟的技術(shù)，有許多具有挑戰(zhàn)的問(wèn)題，因此本文對(duì)該領(lǐng)域的發(fā)展，提出以下幾點(diǎn)個(gè)人展望：設(shè)計(jì)更好的深度學(xué)習(xí)網(wǎng)絡(luò)。本文的卷積神經(jīng)網(wǎng)絡(luò)是根據(jù)作為輸入的腦電信號(hào)的特性設(shè)計(jì)的，雖然達(dá)到了預(yù)期效果，但大量相關(guān)研究可以將準(zhǔn)確率提升到80%以上。因此，如果能設(shè)計(jì)出更好的神經(jīng)網(wǎng)絡(luò)或許能得到更好的網(wǎng)絡(luò)性能。不同的情緒特征研究。本文的特征提取還較為粗糙單調(diào)，大多數(shù)研究均綜合多種特征進(jìn)行分類(lèi)，因此下一步提取更多的腦電信號(hào)特征進(jìn)行研究。在線分析。本文所使用的實(shí)驗(yàn)均為腦電數(shù)據(jù)的離線分析，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)龐大的計(jì)算量導(dǎo)致計(jì)算時(shí)間過(guò)長(zhǎng)，很難應(yīng)用于在線分析。因此在下一步研究將情緒識(shí)別技術(shù)上升到在線分析，以實(shí)現(xiàn)可以實(shí)際應(yīng)用的功能。這次的畢業(yè)設(shè)計(jì)是生物技術(shù)和計(jì)算機(jī)科學(xué)的學(xué)科交叉研究，學(xué)科交叉是學(xué)術(shù)思想的交匯與碰撞，實(shí)質(zhì)上，是交叉思維方式的綜合、系統(tǒng)辯證思維的體現(xiàn)。自然界有各種各樣的現(xiàn)象，它們復(fù)雜且多樣，如果我們僅僅從一種視角來(lái)研究事物即單一的學(xué)科思維，一定具有很大的局限性，因?yàn)槲覀冎豢吹搅怂谝环N學(xué)科的一個(gè)方面，不可能揭示其本質(zhì)，更不可能深刻地意識(shí)其全部規(guī)律。因此，惟有從多個(gè)視角，采取跨學(xué)科思維的方式，進(jìn)行交叉學(xué)科的研究，才可能形成完整體系的科學(xué)認(rèn)識(shí)。在跨學(xué)科的綜合研究中，其他相關(guān)科研領(lǐng)域的方法論，可能會(huì)給本身原有的學(xué)科帶來(lái)難以想象的發(fā)展機(jī)會(huì)，甚至打開(kāi)全新的研究方向?？鐚W(xué)科交叉研究是取得重大科學(xué)發(fā)現(xiàn)和產(chǎn)生引領(lǐng)性原創(chuàng)成果重大突破的重要方式，有很多有價(jià)值的研究主題都落在傳統(tǒng)的學(xué)科分類(lèi)之間?？鐚W(xué)科的知識(shí)和研究也讓我們想起了知識(shí)的統(tǒng)一，和最終我們所追求的真理。在獲得跨學(xué)科思維之后，這些跨學(xué)科的研究者比單一學(xué)科的研究者會(huì)以一種更新奇的觀點(diǎn)來(lái)對(duì)待自己的知識(shí)，如同在新大陸上遨游。本次的畢業(yè)設(shè)計(jì)中，所使用腦電信號(hào)屬于生物技術(shù)范疇，最初用于醫(yī)學(xué)領(lǐng)域，所使用的分類(lèi)技術(shù)為卷積神經(jīng)網(wǎng)絡(luò)，而神經(jīng)網(wǎng)絡(luò)的構(gòu)建靈感有來(lái)自于生物的腦細(xì)胞，這一交叉領(lǐng)域的研究，不僅是我了解到腦電信號(hào)領(lǐng)域的研究現(xiàn)狀，同時(shí)也鞏固了我的計(jì)算機(jī)知識(shí)。

參考文獻(xiàn)PicardRW,VyzasE,HealeyJ.Towardmachineemotionalintelligence:Analysisofaffectivephysiologicalstate[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2001,23(10):1175-1191.GunesH,SchullerB,PanticM,etal.Emotionrepresentation,analysisandsynthesisincontinuousspace:Asurvey[C]//FaceandGesture2011.IEEE,2011:827-834.NiemicC.Studiesofemotion:Atheoreticalandempiricalreviewofpsychophysiologicalstudiesofemotion.[J].2004.沈敏.腦-機(jī)接口技術(shù)綜述[D].2007:147-150.KumarN,KhaundK,HazarikaSM.Bispectralanalysisofeegforemotionrecognition[J].ProcediaComputerScience,2016,84:31-35.SamaraA,MenezesMLR,GalwayL.Featureextractionforemotionrecognitionandmodellingusingneurophysiologicaldata[C]//201615thInternationalConferenceonUbiquitousComputingandCommunicationsand2016InternationalSymposiumonCyberspaceandSecurity(IUCC-CSS).2016.LiuJ,MengH,NandiA,etal.Emotiondetectionfromeegrecordings[C]//201612thInternationalConferenceonNaturalComputation,FuzzySystemsandKnowledgeDiscovery(ICNC-FSKD).IEEE,2016:1722-1727.TripathiS,AcharyaS,SharmaRD,etal.Usingdeepandconvolutionalneuralnetworksforaccurateemotionclassificationondeapdataset.[C]//Twenty-NinthIAAIConfer-ence.2017.LiX,SongD,ZhangP,etal.Emotionrecognitionfrommulti-channeleegdatathroughconvolutionalrecurrentneuralnetwork[C]//2016IEEEInternationalConferenceonBioinformaticsandBiomedicine(BIBM).IEEE,2016:352-359.XuT,ZhouY,HouZ,etal.Decodebrainsystem:Adynamicadaptiveconvolutionalquorumvotingapproachforvariable-lengtheegdata[J].Complexity,2020,2020.LongJ,ShelhamerE,DarrellT.Fullyconvolutionalnetworksforsemanticsegmenta-tion[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecogni-tion.2015:3431-3440.WilliamJ.Ii.—whatisanemotion?[J].Mind,1884(34):34.Walter,B.,Cannon.Thejames-langetheoryofemotions:Acriticalexaminationandanalternativetheory[J].AmericanJournalofPsychology,1987.EkmanP,LevensonRW,FriesenWV.Autonomicnervoussystemactivitydistin-guishesamongemotions[J].science,1983,221(4616):1208-1210.RussellJA.Acircumplexmodelofaffect.[J].Journalofpersonalityandsocialpsy-chology,1980,39(6):1161.RussellJA,MehrabianA.Evidenceforathree-factortheoryofemotions[J].JournalofresearchinPersonality,1977,11(3):273-294.ZhengWL,LuBL.Investigatingcriticalfrequencybandsandchannelsforeeg-basedemotionrecognitionwithdeepneuralnetworks[J].IEEETransactionsonAutonomousMentalDevelopment,2015,7(3):162-175.ChanelG,KierkelsJJ,SoleymaniM,etal.Short-termemotionassessmentinarecallparadigm[J].InternationalJournalofHuman-ComputerStudies,2009,67(8):607-627LiM,LuBL.Emotionclassificationbasedongamma-bandeeg[C]//2009AnnualInternationalConferenceoftheIEEEEngineeringinmedicineandbiologysociety.IEEE,2009:1223-1226.SchmidtLA,TrainorLJ.Frontalbrainelectricalactivity(eeg)distinguishesvalenceandintensityofmusicalemotions[J].Cognition&Emotion,2001,15(4):487-500.黃檸檬.基于EEG的情緒識(shí)別[D].華南理工大學(xué),2016.TowleVL,Bola?osJ,SuarezD,etal.Thespatiallocationofeegelectrodes:locatingthebest-fittingsphererelativetocorticalanatomy[J].Electroencephalographyandclinicalneurophysiology,1993,86(1):1-6.周志華.機(jī)器學(xué)習(xí)[M].清華大學(xué)出版社,2016.LeCunY,BengioY,HintonG.Deeplearning[J].nature,2015,521(7553):436-444.BengioY,CourvilleA,VincentP.Representationlearning:Areviewandnewper-spectives[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2013,35(8):1798-1828.RiesenhuberM,PoggioT.Hierarchicalmodelsofobjectrecognitionincortex[J].Natureneuroscience,1999,2(11):1019-1025.LeCunY,BottouL,BengioY,etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,1998,86(11):2278-2324.KrizhevskyA,SutskeverI,HintonGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C]//Advancesinneuralinformationprocessingsystems.2012:1097-1105.SimonyanK,ZissermanA.Verydeepconvolutionalnetworksforlarge-scaleimagerecognition[J].arXivpreprintarXiv:1409.1556,2014.LeCunY,JackelL,BottouL,etal.Comparisonoflearningalgorithmsforhandwrittendigitrecognition[C]//Internationalconferenceonartificialneuralnetworks:volume60.Perth,Australia,1995:53-60.SzegedyC,VanhouckeV,IoffeS,etal.Rethinkingtheinceptionarchitectureforcom-putervision[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:2818-2826.LeeDH.Pseudo-label:Thesimpleandefficientsemi-supervisedlearningmethodfordeepneuralnetworks[C]//Workshoponchallengesinrepresentationlearning,ICML:volume3.2013:2.GrandvaletY,BengioY.Semi-supervisedlearningbyentropyminimization[C]//Advancesinneuralinformationprocessingsystems.2005:529-536.SoleymaniM.Amultimodaldatabaseforaffectrecognitionandimplicittagging[J].IEEETransactionsonAffectiveComputing,2012,3(1):p.42t-55.KoelstraS.Deap:adatabaseforemotionanalysisusingphysiologicalsignals[J].IEEETransactionsonAffectiveComputing,2011,3(1):18-31.IoffeS,SzegedyC.Batchnormalization:Acceleratingdeepnetworktrainingbyreduc-inginternalcovariateshift[J].arXivpreprintarXiv:1502.03167,2015.E.D.übeyli,Statisticsoverfeatures:EEGsignalsanalysis,ComputersinBiologyandMedicine,vol.39,no.8,pp.733–741,2009.M.R.N.Kousarrizi,A.A.Ghanbari,M.Teshnehlab,etal,FeatureextractionandclassificationofEEGsignalsusingwavelettransform,SVMandartificialneuralnetworksforbraincomputerinterfaces,inProceedingsoftheInternationalJointConferenceonBioinformatics,SystemsBiologyandIntelligentComputing(IJCBS'09),pp.352–355,2009.D.Cvetkovic,E.D.übeyli,andI.Cosic,WavelettransformfeatureextractionfromhumanPPG,ECG,andEEGsignalresponsestoELFPEMFexposures:apilotstudy,DigitalSignalProcessing,vol.18,no.5,pp.861–874,2008.M.UnserandA.Aldroubi,Areviewofwaveletsinbiomedicalapplications,

ProceedingsoftheIEEE,vol.84,no.4,pp.626–638,1996.A.Subasi,M.K.Kiymik,A.Alkan,andE.Koklukaya,NeuralnetworkclassificationofEEGsignalsbyusingARwithMLEpreprocessingforepilepticseizuredetection,MathematicalandComputationalApplications,vol.10,no.1,pp.57–70,2005.AliM,MosaAH,MachotFA,etal.EEG-basedemotionrecognitionapproachfore-healthcareapplications[C]//EighthIEEEInternationalConferenceonUbiquitous&FutureNetworks.IEEE,2016.

致謝天下無(wú)不散之筵席，雖然因?yàn)橐咔樵?，大四的時(shí)間很多都囿于家鄉(xiāng)，但是時(shí)間仍然悄悄地流逝著，大學(xué)四年的學(xué)習(xí)生活也慢慢步入尾聲，回憶過(guò)去幾年，不僅讓我學(xué)到了可以終身受益的知識(shí)，更讓我結(jié)識(shí)了諸多良師益友，我的心里充滿了留戀和感謝。借此時(shí)此刻感恩我們?cè)?jīng)度過(guò)的歲月，感謝曾經(jīng)幫助過(guò)我們的人。這篇畢業(yè)論文得以順利完成，需要感謝的人實(shí)在是太多了，首先特別感謝的是老師，作為我的畢業(yè)指導(dǎo)老師，徐老師以嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、開(kāi)闊的思維以及循循善誘的指導(dǎo)不斷地指引著我的方向，讓我在大四這樣一個(gè)人生分岔口有了自己的方向。徐老師總是在我們的學(xué)習(xí)研究過(guò)程中為我們理清思路，給我們指引方向。在論文不斷完善的過(guò)程中，徐老師也時(shí)不時(shí)的為我們進(jìn)行提點(diǎn)，幫我們規(guī)避了不少的“低級(jí)”錯(cuò)誤。論文從開(kāi)題到最終的結(jié)題，每一步都得益于徐老師的批評(píng)和建議。徐老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度也是我日后學(xué)習(xí)的榜樣。再次對(duì)您表示感謝，師恩偉大，無(wú)以回報(bào)，在研究生階段，我也會(huì)繼續(xù)砥礪前行，在科研的道路上繼續(xù)前進(jìn)。衷心感謝全院的老師在這四年來(lái)對(duì)我的教導(dǎo)。盡管他們研究?jī)?nèi)容不盡相同，教授不同的課程，但他們都在各自擅長(zhǎng)的領(lǐng)域?yàn)槲覀兲峁┝瞬簧賹氋F的建議和指導(dǎo)，每一位老師的悉心教導(dǎo)都是我完成這篇論文的基礎(chǔ)。同時(shí)老師們?cè)诟鱾€(gè)其他領(lǐng)域的見(jiàn)解與知識(shí)也讓我有更全局的視野和想法，能不局限在一個(gè)領(lǐng)域，而縱觀全局的變化。感謝畢設(shè)小組的各位同學(xué)，每個(gè)人都用極大的熱情幫助了我，緊張卻輕松的學(xué)習(xí)環(huán)境中，我們都在共同進(jìn)步。特別是同學(xué)，經(jīng)常與他們交流和討論。不僅在學(xué)業(yè)上互相學(xué)習(xí)，更是能成為生活上的良師益友。雖然我們的實(shí)驗(yàn)內(nèi)容并不完全相同，但是你們也是在盡力的幫我解惑，再次表示感謝。同時(shí)也要感謝大學(xué)期間的輔導(dǎo)員老師和老師以及我們的班主任老師，在我們大學(xué)期間不斷地為我們解決生活上學(xué)習(xí)上的難題；同時(shí)還應(yīng)該感謝我的學(xué)院——軟件學(xué)院，給了我更多的選擇方向，也給了我們更多的可能；感謝我的班級(jí)，我的舍友，我的好朋友，團(tuán)結(jié)友愛(ài)的集體總是能讓人產(chǎn)生家的感覺(jué)，那將是我大學(xué)生活中的一面堅(jiān)強(qiáng)的后盾，祝愿大家都能在研究生生活和工作崗位上繼續(xù)成長(zhǎng)。最后還應(yīng)該感謝一下我的父母、家人，我永遠(yuǎn)都不會(huì)忘記你們的良苦用心和一如既往的支持與鼓勵(lì)。他們每次深夜的問(wèn)候讓我備受感動(dòng)，也是他們?cè)谖覒猩⒒蚺橙醯臅r(shí)候?qū)⑽医行选＝?jīng)過(guò)四年的磨礪，我更明白了作為當(dāng)代的大學(xué)生肩上所背負(fù)的責(zé)任與義務(wù)，未