基于独立分量分析的情感脑电信号的导联选择方法与流程

本发明涉及脑-机接口技术领域，特别是涉及一种基于独立分量分析的情感脑电信号的导联选择方法。

背景技术

人在进行特定活动时所引发的情感模式在很大程度上能够揭示其情感行为状态，如：积极，中性，消极等，而这种情感模式可以通过对头皮脑电变化情况的跟踪来获取，因此基于脑电信号的情感识别算法的设计与实现已经成为新的研究热点。eeg情感识别是指将eeg信号作为被观测对象，通过对其分析与识别，获取被观测对象的情感类型等信息。在情感识别过程中，情感eeg信号的分析是最为关键的一步，为此，研究者们做出大量的研究。其中，soleymani提出利用原始eeg信号在theta(4hz<f<8hz)、slowalpha(8hz<f<10hz)、alpha(8hz<f<12hz)、beta(12hz<f<30hz)与gamma(30hz<f)5个频带上的功率谱和除slowsalpha之外4个频带上的左右脑功率谱的不对称性特征进行情感识别，取得了一定的成功，但这类方法主要关注的是情感信号的频域分析，其分析过程仅考虑了信号的频域信息，难以保证情感信号的识别正确率。

现阶段，基于独立分量分析提取情感脑电信号的全导联独立分量进行情感识别的研究已经实现，但是基于多导联脑电信号情感识别的算法复杂度过高，而且有研究发现某些导联的脑电信号与情感过程的关联度很低。sander等提出不同频带上的功率谱密度与fp1,t7,cp1,oz,fp2,f8,fc6,fc2,cz,c4,t8,cp6,cp2,po4的关联度更高，chatchinarat等发现前额叶和顶叶区域的导联在情感识别的过程中更为重要，然而这些研究忽略了受试者之间的差异性，并且是基于多导联的手动选择。

因此亟需提供一种新型的基于独立分量分析的情感脑电信号的导联选择方法来解决上述问题。

技术实现要素：

本发明所要解决的技术问题是提供一种基于独立分量分析的情感脑电信号的导联选择方法，能够自动选择最优导联，识别正确率更高、扩展性更强、应用前景良好。

为解决上述技术问题，本发明采用的一个技术方案是提供一种基于独立分量分析的情感脑电信号的导联选择方法，包括以下步骤：

s1：多导联情感信号的预处理：

将实验室采集积极、中性、消极三种情感状态下的脑电信号进行预处理；

s2：全导联ica空域滤波器组设计：

取单次实验数据yi(i＝1,…,n)进行ica分析，并根据独立分量在采集电极上的映射模式，自动选择相关独立分量和对应的ica滤波器，建立对应不同情感任务背景下的ica空域滤波器组{di1，…，din}(i＝1,…,n)(n≥3)；使用ica空域滤波器组{di1，…，din}对原始导联情感脑电信号进行线性投影，以生成对应情感任务背景下的情感信号空域特征参数；

s3：情感模型的训练和识别：

将步骤s2生成的对应不同情感任务背景下的情感信号空域特征参数进行svd分解降维，然后送入支持向量机中进行训练和识别；重复步骤s2和s3，最终得到不同ica滤波器组{di1，…，din}的识别正确率；

s4：最优通道集合的选择：

s4.1：选择最高识别率所对应的ica滤波器组{d1，…，dn}作为最优空域滤波器，对原始导联情感脑电信号进行线性投影，以生成对应情感任务背景下的情感信号空域特征参数；

s4.2：使用排一法选取(n-1)个滤波器投影后的特征参数，使用svd进行特征降维，带入步骤s3中进行情感模型的训练和识别，将n个识别结果记录在矩阵chanac中，根据chanac计算情感相关系数emocoeff；

s4.3：测试导联集合的特征生成：对步骤s4.2中计算的情感相关系数emocoeff进行升序排序，并将排序后的下标记录在cs中，依次在cs中取前m个下标对应的导联组成导联集合csm(m＝2,...,n)，根据独立分量在采集电极上的映射模式，自动选择与csm中包括的导联的情感相关独立分量和对应的ica滤波器，建立对应不同情感任务背景下的ica空域滤波器组对原始导联情感脑电信号进行线性投影，以生成对应任务背景下的情感信号空域特征参数。

s4.4：选择最优导联集合：使用s4.3中生成的空域特征参数进行情感模型的训练和识别，最后使用最优滤波器所得的识别率为对应导联集合csm的测试结果，对(n-1)个cs的测试结果进行排序，选择识别率最高的导联集合对应的csm作为最优导联集合。

在本发明一个较佳实施例中，在步骤s1中，预处理的过程为对原始多导联脑电信号使用陷波滤波器和高通滤波器进行滤波，陷波滤波器的截止频率为50hz，高通滤波器的截止频率为30hz。

在本发明一个较佳实施例中，在步骤s2中，ica空域滤波器组的设计包括以下步骤：

s2.1：从数据库中随机选择一组单次情感数据yi(i＝1,…,n)进行ica分析，得到n×n的混合矩阵m和分离矩阵d；

s2.2：根据独立分量在采集电极的映射模式，自动选择相关独立分量和对应的ica滤波器，得到分别对应于积极、中性、消极情感任务背景下的ica空域滤波器组{di1，…，din}(i＝1,…,n)。

在本发明一个较佳实施例中，在步骤s4.3中，ica空域滤波器组的设计包括以下步骤：

s4.3.1：从数据库中随机选择一组单次情感数据yi(i＝1,…,n)进行ica分析，得到n×n的混合矩阵m和分离矩阵d；

s4.3.2：根据独立分量在采集电极的映射模式，自动选择与csm中包括的导联的情感相关独立分量和对应的ica滤波器，得到分别对应于积极、中性、消极情感任务背景下的ica空域滤波器组

进一步的，分离矩阵d的学习方法包括如下步骤:

(1)以信息极大化的准则为信号源独立性度量依据，使用自然梯度算法，对分离矩阵d进行迭代处理，参见公式(3)：

δd^t∝{i-e[s]}d^t(3)

公式(3)中，i为单位矩阵，e[·]为均值运算，s为所估计的情感信号的源信号的统计量，统计量s与情感信号的源信号之间的关系为：

公式(4)中，t表示概率模型切换矩阵，其对角线上元素的取值来自于对情感信号的源信号峭度符号的动态估计，为所估计的情感信号的源信号；

(2)对情感信号的源信号进行方差归一化处理，如公式(5)：

(3)在式(3)的基础上，对混合矩阵m与分离矩阵d系数进行调整，如公式(6)：

公式(5)、(6)中，为的标准差，diag(·)表示将运算构造为对角矩阵。

进一步的，步骤s2.2中自动选择情感相关独立分量包括以下步骤：

s2.2.1：为记录相应位置上的独立分量，对混合矩阵m取绝对值，即|m|，并搜索|m|中每列列向量中元素的最大值，记录其所在列的索引下标和对应的电极标号；

s2.2.2：对全通道独立分量的选择：分别选择在n个导联位置具有最大绝对值元素的n个列向量，记录其对应的列序号；若矩阵|m|不同时包含所述n个列向量，则放弃基于该单次ica滤波器设计，否则转入下步；

s2.2.3：根据所得列序号，在分离矩阵d中分别找到相应的列，构成n类对应于积极、中性、消极情感任务背景下的ica空域滤波器组：{di1，…，din},(i＝1,…,n)。

进一步的，步骤s4.3.2中自动选择情感相关独立分量包括以下步骤：

s4.3.2.1：为记录相应位置上的独立分量，对混合矩阵m取绝对值，即|m|，并搜索|m|中每列列向量中元素的最大值，记录其所在列的索引下标和对应的电极标号；

s4.3.2.2：对测试导联集合的独立分量的选择：分别选择csm中包含的情感导联位置具有最大绝对值元素的m个列向量，记录其对应的列序号；若矩阵|m|不同时包含所述csm中所包括的m个列向量，则放弃基于该单次ica滤波器设计，否则转入下步；

s4.3.2.3：根据所得列序号，在分离矩阵d中分别找到相应的列，构成m类对应于积极、中性、消极情感任务背景下的ica空域滤波器组：

在本发明一个较佳实施例中，步骤s2中空域滤波方法如下：

使用ica空域滤波器组{di1，…，din}(i＝1,…,n)对所有原始情感脑电数据yj(j＝1,…,n)进行空域滤波，如公式(7)：

公式(7)中，分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数，使用svd对提取的特征参数进行特征降维，降维后的结果作为最终的情感信号特征。

在本发明一个较佳实施例中，步骤s4.1中空域滤波方法如下：

使用所述最优ica空域滤波器组{d1，…，dn}对所有原始情感脑电数据yj(j＝1,…,n)进行空域滤波，如公式(8)：

公式(8)中，分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数。

在本发明一个较佳实施例中，步骤s4.3中空域滤波方法如下：

使用ica空域滤波器组对所有原始情感脑电数据yj(j＝1,…,n)进行空域滤波，如公式(9)：

公式(9)中，分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数，使用svd对提取的特征参数进行特征降维，降维后的结果作为最终的情感信号特征。

本发明的有益效果是：

(1)本发明提出的基于独立分量分析的情感脑电信号的通道选择方法，获得了较高的识别正确率，实现了根据不同受试者自动选择情感相关独立分量，相对于提取全通道的独立分量，选取最优导联位置的独立分量不仅能够降低算法的时间复杂度，同时能更准确地描述情感相关独立源的真实情况，同时能够有效抑制与情感信号无关的分量及外部噪声的干扰；

(2)本发明在情感类型的识别上具有较强的扩展能力：虽然只给出了三类情感信号的特征提取与识别方法，但ica空域滤波方法对输入信号的导联数没有限制，因此，本发明所提方法具有较强的分类扩展能力，可以进行更多情感类型的特征提取与识别，有效提高了算法的实际应用价值；

(3)本发明具有良好的应用前景：本发明以提高情感识别的准确率为主目标，主要解决了情感信号的识别问题。情感识别研究的应用前景广阔，在人机交互、医疗健康、远程教育、娱乐游戏开发等众多领域均有重大的应用价值。

附图说明

图1是情感信号的生成过程示意图；

图2是采集信号时所用的电极及位置示意图；

图3是本发明基于独立分量分析的情感脑电信号的导联选择方法一较佳实施例的流程图；

图4为导联情感相关性以及测试导联集合的产生过程示意图；

图5为测试导联集合的识别率示意图；

图6为最优导联集合所包含的导联示意图；

图7为基于最优导联集合的ica滤波器训练与测试数据均来自同一受试者时的识别正确率示意图；

图8是最优导联集合与全导联集合在三类情感上的识别正确率示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1，本发明实施例包括：

一种基于独立分量分析的情感脑电信号的导联选择方法，包括以下步骤：以32导联情感信号为例说明，

s1：多导联情感信号预处理：使用实验室采集的9种情感数据(中性，愤怒，恶心，害怕，开心，伤心，惊讶，滑稽，焦虑)根据二维情感模型中的效价维划分为积极，中性，消极3种情感状态下的脑电信号；并将原始多导联脑电信号使用带阻、高通滤波器进行滤波，以去除噪声干扰，陷波和高通滤波步骤的滤波器截止频率分别为50h和30hz。为方便进行ica分析，取8s的脑电信号视为一次实验数据，随机将所有预处理后的样本数据均分成5组，任意选择其中一组作为测试样本集，剩余的4组则作为训练样本集；

s2：全导联ica空域滤波器设计：使用单次训练样本数据yi(i＝1,…,n)进行ica分析，并根据独立分量在采集电极的映射模式，自动选择情感相关独立分量和对应的ica滤波器，建立对应不同情感任务背景下的ica空域滤波器组{di1，…，di32}(i＝1,…,n)；使用ica空域滤波器组{di1，…，di32}对原始32导联情感信号(包括训练数据和测试数据)进行线性投影，以生成对应任务背景下的情感信号空域特征参数。

ica空域滤波器组的设计包括以下步骤：

s2.1：从数据库中随机选择一组单次情感数据yi(i＝1,…,n)进行ica分析，得到32×32的混合矩阵m和分离矩阵d；

混合矩阵m与分离矩阵d的定义如下：

若y(t)＝[y1(t),…,yn(t)]^t为n导联原始eeg观测信号，该信号定义为n个情感相关的相互独立隐含“源”x(t)＝[x1(t),…,xn(t)]^t线性瞬时混合而成，即

y(t)＝mx(t)(1)

公式(1)中m表示混合矩阵。

与公式(1)的混合模型对应的是分解模型，参见公式(2)：

公式(2)中d表示分离矩阵。

其中，分离矩阵d的学习方法包括如下步骤：

(1)以信息极大化的准则为信号源独立性度量依据，使用自然梯度算法，对分离矩阵d进行迭代处理，参见公式(3)：

δd^t∝{i-e[s]}d^t(3)

公式(3)中，i为单位矩阵，e[·]为均值运算，s为所估计的情感信号的源信号的统计量，统计量s与情感信号的源信号之间的关系为：

公式(4)中，t表示概率模型切换矩阵，其对角线上元素的取值来自于对情感信号的源信号峭度符号的动态估计，为所估计的情感信号的源信号；

(2)对情感信号的源信号进行方差归一化处理，如公式(5)：

(3)在式(3)的基础上，对混合矩阵m与分离矩阵d系数进行调整，如公式(6)：

公式(5)、(6)中，为的标准差，diag(·)表示将运算构造为对角矩阵。

s2.2：根据独立分量在采集电极的映射模式，自动选择相关独立分量和对应的ica滤波器，得到分别对应于积极、中性、消极情感任务背景下的ica空域滤波器组{di1，…，di32}(i＝1,…,n)。

自动选择情感相关独立分量包括以下步骤：

s2.2.1：为记录相应位置上的独立分量，对混合矩阵m取绝对值，即|m|，并搜索|m|中每列列向量中元素的最大值，记录其所在列的索引下标和对应的电极标号；

s2.2.2：对全通道独立分量的选择：分别选择在n个导联位置具有最大绝对值元素的n个列向量，记录其对应的列序号；若矩阵|m|不同时包含所述n个列向量，则放弃基于该单次ica滤波器设计，否则转入下步；

s2.2.3：根据所得列序号，在分离矩阵d中分别找到相应的列，构成n类对应于积极、中性、消极情感任务背景下的ica空域滤波器组：{di1，…，di32},(i＝1,…,n)。

使用ica空域滤波器组{di1，…，di32}(i＝1,…,n)对所有原始情感脑电数据yj(j＝1,…,n)进行空域滤波，如公式(7)：

公式(7)中，分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数，使用svd对提取的特征参数进行特征降维，降维后的结果作为最终的情感信号特征。

s3：情感模型的训练和识别：对所有训练样本使用步骤s2中所得到的ica滤波器组{di1，…，di32}进行空域滤波，将线性投影后的结果作为其特征参数，使用svd进行特征降维，然后送入支持向量机(svm)中进行训练；对测试样本，同样使用上述ica滤波器组{di1，…，di32}进行空域滤波，并将投影后结果作为特征参数，使用svd进行特征降维，然后送入到已经训练好的svm分类器中进行识别。对上述步骤重复执行10遍，并将每次的实验结果进行平均，最终得到在该ica滤波器组{di1，…，di32}下不同情感信号的识别率。

s4：最优通道集合选择：

s4.1：对情感数据库中所有的数据样本重复步骤s2与步骤s3，可以得到n个ica滤波器组及相应的识别率，挑选出最高识别率所对应的ica滤波器组{d1，…，d32}作为最优空域滤波器。取最优滤波器{d1，…，d32}对原始32导联情感信号进行线性投影，以生成对应任务背景下的情感信号空域特征参数；

使用所述最优ica空域滤波器组{d1，…，d32}对所有原始情感脑电数据yj(j＝1,…,n)进行空域滤波，如公式(8)：

公式(8)中，分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数。

s4.2：排一法计算导联-情感相关系数：使用上述32个独立分量所组成的情感信号空域特征参数，根据独立分量和导联之间的映射关系进行导联选择。依次从32个独立分量中去除其中一个，以生成包含其余独立分量的空域特征参数，转向步骤3，进行情感模型的训练和识别，将32个识别结果记录在矩阵chanac中。根据chanac如下公式(10)计算情感相关系数emocoeff：

emocoeff＝abs(chanac-max(chanac))(10)

s4.3：测试导联集合的滤波器设计及特征生成：对步骤(2)中计算的情感相关系数emocoeff进行升序排序，并将排序后的下标记录在cs中，依次在cs中取前m个下标对应的导联组成导联集合csm(m＝2,...,32)，对原始情感eeg信号进行ica分析，根据独立成份在采集电极的映射模式，自动选择与csm中包括的导联的情感相关独立分量和对应的ica滤波器，建立对应不同情感任务背景下的ica空域滤波器组利用生成的对原始32导联情感信号进行线性投影，以生成对应任务背景下的情感信号空域特征参数；

ica空域滤波器组的设计包括以下步骤：

s4.3.1：从数据库中随机选择一组单次情感数据yi(i＝1,…,n)进行ica分析，得到32×32的混合矩阵m和分离矩阵d；

s4.3.2：根据独立分量在采集电极的映射模式，自动选择与csm中包括的导联的情感相关独立分量和对应的ica滤波器，得到分别对应于积极、中性、消极情感任务背景下的ica空域滤波器组

自动选择情感相关独立分量包括以下步骤：

s4.3.2.1：为记录相应位置上的独立分量，对混合矩阵m取绝对值，即|m|，并搜索|m|中每列列向量中元素的最大值，记录其所在列的索引下标和对应的电极标号；

s4.3.2.2：对测试导联集合的独立分量的选择：分别选择csm中包含的情感导联位置具有最大绝对值元素的m个列向量，记录其对应的列序号；若矩阵|m|不同时包含所述csm中所包括的m个列向量，则放弃基于该单次ica滤波器设计，否则转入下步；

s4.3.2.3：根据所得列序号，在分离矩阵d中分别找到相应的列，构成m类对应于积极、中性、消极情感任务背景下的ica空域滤波器组：

使用ica空域滤波器组对所有原始情感脑电数据yj(j＝1,…,n)进行空域滤波，如公式(9)：

公式(9)中，分别表示该单次情感脑电数据yj空域滤波后的结果，即所提取的情感信号特征参数，使用svd对提取的特征参数进行特征降维，降维后的结果作为最终的情感信号特征。

s4.4：选择最优导联集合：使用s4.3中生成的空域特征参数进行情感模型的训练和识别，最后使用最优滤波器所得的识别率为对应导联集合csm的测试结果，对31个cs的测试结果进行排序选择识别率最高的导联集合对应的csm作为最优导联集合。

参见图2，图2为情感信号的生成过程示意图，说明了本实例中观看情感视频时引发的eeg波形产生的过程。脑电信号是指在人体大脑受到情感诱发时，大脑外层皮质细胞所产生的生物电将随时间和空间出现变化，使用置于头皮表面的电极可以探测个各点的电势差随时间的变化，而这种电势差变化是大量脑细胞传递叠加之后的结果，本发明主要用以解决情感eeg信号的识别正确率。

参见图3，图3为本发明的情感信号采集过程中电极分布图，说明了本实施例中情感信号采集过程中电极分布。脑电信号的采集使用ag/agcl电极。为了获取受试者积极，中性，消极的情感状态信息以及更多的空间位置信息，本实施例中共使用了32个电极。

参见图4，图4为根据情感相关系数emocoeff排序产生导联集合的过程，以及各个导联相对于受试者的情感关联度的大小，颜色越深表示这个导联的信号对于情感识别越重要。导联越重要则越先被选中到测试导联集合中进行情感识别。

参见图5，图5为20个受试者的测试通道集合所对应的识别正确率，说明了少数的导联集合就可以获取相对较高的识别率。其中，横坐标表示每个受试者的31个通道集合，纵坐标1—20分别对应20位不同的受试者。图中的白色三角形标注的是最优导联集合，可以看出，在该实验条件下，所有受试者的最优导联集合分布在第8个导联集合之后。这一结果说明本发明所述方法能够从多导eeg信号中选择少数导联通道并分离出多个“真实”的情感相关独立成分，因此能更准确地描述情感相关独立源的真实情况，获得了较为理想的识别正确率。

参见图6，图6为图5中白色三角形所标注的最优导联集合所包含的导联，其中横坐标为导联标签，纵坐标为受试者索引。此图反映出了每位受试者的最优导联的信息。

参见图7，图7为基于ica的最优导联集合的识别正确率。横坐标1—20分别对应20位不同的受试者，纵坐标表示识别正确率。可以看出，在该实验条件下，最高识别正确率达到了97.21％，最低为76.9％，统计后发现，所有受试者总的平均识别率达到了87.53％。这一结果说明本发明所述方法能够从多导eeg信号中分离出多个“真实”的情感相关独立成分，因此能更准确地描述情感相关独立源的真实情况，获得了较为理想的识别正确率。

参见图8，图8为基于ica的最优导联与全导联之间的识别率结果的对比。可以看出对于积极和消极的情感状态的识别精度要高于中性，最优导联情况下积极和消极的识别率相差不大，相对于全导联，最优导联在3种识别正确率下的平均识别率上升了1.9％。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。