专利名称：基于脑电特征的情绪状态识别方法
技术领域：
本发明涉及一种情绪状态识别方法。特别是涉及一种可用于临床情绪障碍疾病的诊断及疗效评价、情绪的神经反馈调节的基于脑电特征的情绪状态识别方法。
背景技术：
情绪是人脑的高级功能，保证着有机体的生存和适应，对个体的学习、记忆、决策有着重要的影响。情绪也是个体差异的来源，是许多个性特征和·心理病理的关键成分。随着社会的发展，各年龄、各领域人们的情绪困扰越来越多、越来越严重，各种与情绪相关的疾病发病率越来越高，如抑郁症、狂躁症、焦虑症、强迫症、情感障碍等。对情绪的正确识别和调节对改善人类生活品质，保障身心健康具有重大意义。目前国内外研究者通过表情、语音、姿势信号来识别人的情绪，运用多种模式识别的方法已经得到了一些效果，但由于信号的易控性及可伪装性，结果无法排除被试主观因素的影响，有时无法观测到潜在的、真实的情感状态。情绪是大脑皮层和皮层下神经过程协同活动的结果，且瞬变性强。脑电是自发的不受人为控制的放电活动，具有时间分辨率高和简便易行的优势，因而利用脑电来识别情绪并揭示其复杂的神经机制是可行的，基于EEG的情绪识别研究为情绪障碍疾病的诊断和治疗评价提供新的途径，同时也为负面情绪的神经反馈调节和训练提供科学全面的理论基础。基于脑电的情绪研究近年来受到了越来越多的关注。目如基于脑电的情绪识别研究，识别率尚待提闻。因为这类情绪研究大多在诱发条件下进行，诱发脑电中除了与情绪相关的脑电成分外还含有大量的背景信号，例如基于情绪图片的诱发脑电中，就含有一些视觉诱发电位、自发脑电等。背景信号的存在干扰了与情绪相关的脑电特征的有效提取，在一定程度上影响了识别率。
发明内容
本发明所要解决的技术问题是，提供一种通过共空间模式滤波方法，去除背景信号干扰，增强与情绪相关的脑电信号，提取出更有效的特征来提高多类情绪诱发脑电识别率的的基于脑电特征的情绪状态识别方法。本发明所采用的技术方案是一种基于脑电特征的情绪状态识别方法，包括如下阶段(I)数据采集阶段，所述的数据采集是在国际情绪图片诱发条件下，提取被试在不同愉悦度等级图片诱发下的64导脑电数据；(2)数据预处理阶段，对采集到的64导脑电数据进行改变参考电位、降采样、带通滤波、去除眼电四个步骤的处理；(3)特征提取阶段，所述的特征提取阶段是将预处理后的信号用共空间模式算法进行滤波后提取时域特征；(4)特征识别特征提取后，使用支持向量机分类器对特征进行识别，将不同情绪状态区分开。所述的数据采集阶段包括进行如下步骤I)实验设计从国际情绪图片库中选择了 45张图片，按愉悦度范围分为3个等级，每个等级15张图片；等级1、2、3分别对应代表消极、中性、积极情绪图片；包含45次任务，每次刺激任务时间为14秒，有三个时段，即图片呈现时段A、休息时段B和提醒时段C ;2)脑电采集采集EEG的实验程序是在stim2平台下设计的，脑电采集仪器使用的是scan4. 3，使用的脑电电极帽是10-20标准64导联。所述的数据预处理阶段中的改变参考电位，是将CZ导联处的原参考电位变为位于两侧乳突部位的M1、M2处导联的电位。阶段(2)中所述的降采样，是将脑电信号的采样频率由1000Hz降为128Hz。阶段(2)中所述的带通滤波范围为IHz 45Hz。阶段(2)中所述的去除眼电是通过独立分量分析滤波的方法予以去除。阶段(3)中所述的特征提取阶段包括如下步骤I)共空间模式滤波三类任务原始的脑电信号为64X384维的矩阵设为X1,X2和X3其中64为导联通道数，384为每个通道在刺激任务下的前3秒的数据点数，则每一类信号的归一化协方差矩阵分别为
权利要求
1.一种基于脑电特征的情绪状态识别方法，其特征在于，包括如下阶段 (1)数据采集阶段，所述的数据采集是在国际情绪图片诱发条件下，提取被试在不同愉悦度等级图片诱发下的64导脑电数据； (2)数据预处理阶段， 对采集到的64导脑电数据进行改变参考电位、降采样、带通滤波、去除眼电四个步骤的处理； (3)特征提取阶段， 所述的特征提取阶段是将预处理后的信号用共空间模式算法进行滤波后提取时域特征； (4)特征识别 特征提取后，使用支持向量机分类器对特征进行识别，将不同情绪状态区分开。
2.根据权利要求I所述的基于脑电特征的情绪状态识别方法，其特征在于，所述的数据采集阶段包括进行如下步骤 1)实验设计从国际情绪图片库中选择了45张图片，按愉悦度范围分为3个等级，每个等级15张图片；等级1、2、3分别对应代表消极、中性、积极情绪图片；包含45次任务，每次刺激任务时间为14秒，有三个时段，即图片呈现时段A、休息时段B和提醒时段C ； 2)脑电采集采集EEG的实验程序是在stim2平台下设计的，脑电采集仪器使用的是scan4. 3，使用的脑电电极帽是10-20标准64导联。
3.根据权利要求I所述的基于脑电特征的情绪状态识别方法，其特征在于，所述的数据预处理阶段中的改变参考电位，是将CZ导联处的原参考电位变为位于两侧乳突部位的Ml、M2处导联的电位。
4.根据权利要求I所述的基于脑电特征的情绪状态识别方法，其特征在于，阶段(2)中所述的降采样，是将脑电信号的采样频率由1000Hz降为128Hz。
5.根据权利要求I所述的基于脑电特征的情绪状态识别方法，其特征在于，阶段(2冲所述的带通滤波范围为IHz 45Hz。
6.根据权利要求I所述的基于脑电特征的情绪状态识别方法，其特征在于，阶段(2)中所述的去除眼电是通过独立分量分析滤波的方法予以去除。
7.根据权利要求I所述的基于脑电特征的情绪状态识别方法，其特征在于，阶段(3)中所述的特征提取阶段包括如下步骤 I)共空间模式滤波 三类任务原始的脑电信号为64X384维的矩阵设为X1, X2和X3其中64为导联通道数，384为每个通道在刺激任务下的前3秒的数据点数，则每一类信号的归一化协方差矩阵分别为 这里的Xt表示X的转置，trace表示矩阵的迹。
构造合成的空闻协方差矩阵为 R = WR3 R可分解为B = U^AUl U0和A分别为其特征矢量矩阵和特征值对角阵，白化变换可使方差均匀化，白化矩阵为 爾 为了更好地阐述这个算法，先考虑如何得到愉悦度等级为I的诱发脑电的空间滤波器，设R' j = R2+R3,令 S1 = IT1Jt1If si 圓 如果S1可以分解成 则S' i可被分解为 且有A1+A/ ! = I 将式 Ss=, Si = W1Rf1Wl，U1AM，Si = UlAfM ,si ■+iii = i 综合,即得到 (_典(歡姆 + (IT1rP1)r^CMfff1)= I 这里的U1的列向量是矩阵S1的特征向量。可以看出，经变换后信号协方差阵的特征矢量对应的特征值之和为1，所以在X1方差值最大的方向上其余的信号(X2和X3)的方差值就很小，所以选取U1中与最大的特征值对应的特征向量,则对应于X1的空间滤波器，即信号的投影方向为 W1 = VliW1 在相应的模式下的投影即为Z1 = SF1X1 同理可获得X2、X3的空间滤波器分别为 SF2 = ,SFs = Pf；喝 以上得到的空间滤波器是64X64维的，每一行向量被称为空间滤波子，对应的空间滤波器与对应的信号相乘即得到滤波后的信号，经过共空间模式滤波后的情绪脑电信号，去除了背景信号的干扰； 2)为了更好地进行后续的分类识别，根据滤波后的信号Zm做如下变化后作为脑电特征值， 。,Var(Zm) =； m = I，2，3。
ZlvmZm)
全文摘要
一种基于脑电特征的情绪状态识别方法，有数据采集阶段，是在国际情绪图片诱发条件下，提取被试在不同愉悦度等级图片诱发下的64导脑电数据；数据预处理阶段，对采集到的64导脑电数据进行改变参考电位、降采样、带通滤波、去除眼电四个步骤的处理；特征提取阶段，是将预处理后的信号用共空间模式算法进行滤波后提取时域特征；特征识别，使用支持向量机分类器对特征进行识别，将不同情绪状态区分开。本发明尝试的OVR共空间模式算法，可去除背景信号的干扰，用于多类情绪诱发脑电的信号增强。去除背景信号干扰后，不同类别的情绪脑电间差异增大，用时域方差特征进行识别，被试者的识别正确率较为理想，可以准确地区分开不同愉悦度的情绪。
文档编号A61B5/16GK102715911SQ20121019905
公开日2012年10月10日 申请日期2012年6月15日 优先权日2012年6月15日
发明者万柏坤, 张迪, 明东, 李南南, 柯余峰, 綦宏志, 许敏鹏, 陈龙 申请人:天津大学