第1章引言情感腦信號特征提取及識別方法案例分析目錄TOC\o"1-3"\h\u20012情感腦信號特征提取及識別方法案例分析 170951.1腦電特征提取 1284811.1.1時域特征 146241.1.2頻域特征 270531.1.3時頻域特征 327611.2功能性近紅外信號特征提取 4137401.2.1時域特征 4143841.2.2頻域特征 582711.2.3時頻域特征 5280031.3特征降維 6144681.4分類識別 61.1腦電特征提取1.1.1時域特征由于腦電信號的時域信號描述的是信號與時間的關系，更為直接。在利用腦電信號進行情感識別時，常提取的時域特征是標準差、平均值、一階差分絕對值的平均值、二階差分絕對值的平均值、歸一化一階差分、歸一化二階差分，以及Hjorth參數特征Activity、Mobility和Complexity，Activity表示中信號波幅的偏離程度，Mobility可以衡量坡度的變化，Complexity用于衡量一個振幅上有多少個標準的坡。設x(i)表示預處理后腦電信號的值，i=1,2,……,N，N表示一個樣本包含的采樣點數。腦電信號的時域特征的計算公式如下：平均值(1)標準差(2)一階差分絕對值的平均(3)二階差分絕對值的平均(4)歸一化一階差分(5)歸一化二階差分(6)Activity(7)Mobility(8)Complexity(9)1.1.2頻域特征功率譜密度可以體現信號的功率隨頻率的變化情況，單位是W/Hz。功率譜密度計算方法分為：傳統(tǒng)的非參數方法和現代的參數方法。傳統(tǒng)的非參數方法包括周期圖法、自相關法等。我們采集腦電信號波形是以波的形式表示，通過傅里葉變換，將腦電信號轉換到頻域，再用周期圖法求功率譜密度。設x(i)表示預處理后腦電信號的值，i=1,2,……,N，N表示一個樣本包含的采樣點數。P(w)表示功率譜密度，其計算方法如公式10所示。(10)香農(Shannon)信息熵在連續(xù)變量上的推廣形式是微分熵。設X采集的腦電信號，其概率密度函數用p(x)，則腦電信號的微分熵可以如下公式表示，微分熵只與概率密度函數有關。(11)實驗采集的腦電信號經過預處理之后符合高斯分布[28]，則腦電信號的概率密度函數為：(12)將上式代入微分熵的計算公式可得：(13)(14)1.1.3時頻域特征時頻域特征可以讓我們同時觀察腦電信號的時域和頻域信息，在上文中我們分別單獨從頻域提取腦電信號的特征，但是由于腦電信號的頻率時隨著時間按變換的，所以從時頻域提取腦電信號的特征對于后續(xù)的情感識別意義重大。時頻域的特征提取方法常用的有小波變換(WaveletTransform，WT)、經驗模態(tài)分解(EmpiricalModeDecomposition，EMD)、短時傅里葉分析(Short-timeFourierTransform，STFT)、等。小波變換是在腦電信號處理中常用的方法之一，小波變換與傅里葉變換原理相似，小波變換就是將傅里葉變換中使用的基由三角函數變?yōu)樾〔ê瘮?。小波變換分為離散和連續(xù)兩種形式，可以同時觀察頻率和時間。小波變換公式如下式：(15)表示小波函數，a表示尺度，控制小波函數的伸縮，b表示平移量，控制小波函數的平移。小波函數要求必須是奇對稱或者偶對稱，必須是實函數且有值區(qū)間必須是有限的。設E={E1,E2,…En}是腦電信號在n個尺度上的小波能譜，設qi=Ej/E，則小波能譜熵可以表示為：(16)1.2功能性近紅外信號特征提取功能近紅外信號采集的是不同情感狀態(tài)下不同血紅蛋白的相對濃度變化，所以采集的功能近紅外信號直接轉變?yōu)楦鱾€通道的氧合血紅蛋白和脫氧血紅蛋白的濃度。在大腦的情感發(fā)生波動時，氧合血紅蛋白Δ??????2含量發(fā)生的變化比較明顯，敏感性更高。所以最終對氧合血紅蛋白Δ??????2的數據進行特征提取。由于大腦出現情感波動時，血氧含量的變化需要一定時間，所以氧合血紅蛋白濃度的頻域特征在進行情感識別時的意義不大，所以只需要對信號在時域進行特征提取。1.2.1時域特征設y(i)表示氧合血紅蛋白的濃度值，i=1,2,…N，N表示一個樣本中所包含的樣本點。當氧合血紅蛋白的濃度發(fā)生變化時，可能時緩慢的上升或者緩慢的下降，所以提取信號平均值時是對信號先取絕對值，之后在進行平均。1)平均值(17) 2)方差(18) 3)峰度fk(19) 4)偏度fs(20)功能近紅外信號除了利用上述統(tǒng)計特征外，還可以將樣本點生成的曲線進行擬合，求得曲線的斜率k。在這個求解過程最常使用的是最小二乘法。由于氧合血紅蛋白濃度變化需要一定的時間，所以斜率的特征對于樣本點的多少有著比較嚴格的限制。從圖3-1可以看出當大腦產生劇烈的情緒波動時，氧合血紅蛋白的變化近似呈線性。圖3-1氧合血紅蛋白線性擬合圖設斜率k的絕對值為氧合血紅蛋白變化量的變化趨勢特征，設Δ??????2為y，???為y的估計值，求解???與y的誤差平方和最小時的k和??，求解可以采用最小二乘法(21)(22)1.2.2頻域特征與腦電信號類似，也計算功能近紅外信號的功率譜密度，只不過不需要再將樣本信號劃分為4個頻段，而是直接利用matlab軟件本身的函數計算。功率譜密度是一種概率統(tǒng)計方法，是對隨機變量均方值的量度。設y(i)表示氧合血紅蛋白的濃度值，i=1,2,…N，N表示一個樣本中所包含的樣本點。(23)對于功能近紅外信號，同樣在頻域提取微分熵特征，由于功能近紅外信號也可以近似認為符合高斯分布，所以功能近紅外信號微分熵的計算公式如下：(24)1.2.3時頻域特征在時頻域提取功能近紅外信號的小波能譜熵。設F={F1,F2,…Fn}是信號f(t)在n個尺度上的小波能譜，這實際上是對腦電信號能量的一種劃分。腦電信號的總功率為各分量功率值Fi之和，設gj=Fj/F,則小波能譜熵可以表示為：(25)1.3特征降維本次實驗腦電通道有62個，功能近紅外通道有14條通道，信號采集時長約1小時30分，對腦電信號和功能近紅外信號提取時域、頻域、時頻域的特征，數據量巨大，并且特征之間還有冗余，再執(zhí)行后續(xù)的特征識別需要大量的時間進行計算。所以需要采取辦法在不損失數據準確性的前提下降低數據量，本文中利用主成分分析方法實現對數據進行降維。主成分分析方法的本質就是“映射”，將n維數據利用算法投影到m維。要求新構成n維的方向必須相互正交，且ni坐標軸的方向與ni-1、ni-2坐標軸正交的平面中方差最大。設特征矩陣X的大小為s×n，有s行樣本，n維通道，表示為{x1,x2,…,xn}，利用主成分分析法進行特征降維的步驟：去平均值。(26)計算協(xié)方差矩陣C。(27)求協(xié)方差矩陣的特征值與特征向量。對特征值從大到小排序，選擇其中最大的m個特征值對應的特征向量組成矩陣P。計算Y=PX，此時計算出降維后數據。1.4分類識別本文進行情感分類識別所使用的模型是支持向量機(SupportVectorMachine,SVM),這個模型從1946年提出發(fā)展至今，提出了一系列改進。支持向量機分類器本質是尋找最優(yōu)超平面將數據分開，而我們研究的就是通過各種各樣的算法找到這個最優(yōu)超平面[29]。在實際應用中，數據不一定都是線性可分的，這時候就需要利用各種各樣的核函數構建支持向量分類器，常用的核函數有以下幾個：1)多項式核函數(28)2)高斯核函數(29)3)sigmoid形核函數(30)為