本发明涉及到数字信号处理技术领域，具体地说，是一种基于脑电波分析的情绪检测方法。
背景技术：
脑电波是大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。随着科技的进步，脑电波的应用也由医学领域开始向工程应用领域发展。目前，基于脑电波分析的情绪检测方法受到高度关注。
近年来，在研究基于脑电波分析的情绪检测方法的过程中，研究人员应用了不同的脑电波特征以及相应的分类器。Calibo等人应用能量特征并结合神经网络进行分类。Lin等人应用差分不对称能量特征并结合支持向量机进行分类。
上述方法虽然在各自特定的试验中都表现出一定的准确性，但也存在明显不足。上述方法对每个目标进行测试时都需要重新训练分类模型，操作过程复杂，检测精度低。
由此可见，亟需一种操作过程简单，分类精度高的方法。
技术实现要素：
针对现有技术的不足，本发明的目的是提供一种基于脑电波分析的情绪检测方法，通过利用类内相关系数法来获得最稳定的特征参数，以实现情绪的实时稳定准确的检测。
为达到上述目的，本发明采用的技术方案如下：
一种基于脑电波分析的情绪检测方法，其关键在于包括如下步骤：
步骤1：对获取的脑电波样本信号进行特征提取；
步骤2：采用类内相关系数法对所提取特征的特征参数进行评价，获得最稳定特征参数；
步骤3：根据步骤2获得的最稳定特征参数，通过支持向量机训练分类模型；
步骤4：采用步骤3训练出的分类模型进行情绪的实时检测。
进一步的技术方案是，步骤1中所提取的特征分别为分形维度特征、能量特征、统计学特征和高阶交叉特征。
进一步的技术方案是，所述分形维度特征采用Higuchi算法对脑电波信号进行处理后提取，计算公式为：
其中，FD为分形维度的值，<Ln(k)>为的偏差均值Ln(k)的平均数，为脑电波样本信号X(n)的新的时间序列样本，n∈(1～k)为初始时间，k为间隔时间。
进一步的技术方案是，所述能量特征利用离散傅里叶变换处理脑电波信号获得，处理公式为：
其中，为脑电波样本信号的能量特征，X(ejω)为脑电波样本信号X(n)的频谱，N为输入样本数量，n∈(1～N)。
进一步的技术方案是，所述统计学特征分别为脑电波信号的均值μX、标准差σX、第一次偏差绝对值的均值δX、标准化脑电波信号第一次偏差绝对值的均值第二次偏差绝对值的均值γX和标准化脑电波信号第二次偏差绝对值的均值计算公式如下：
其中，X(n)、X(n+1)、X(n+2)一个脑电波样本信号的三个不同序列，N为输入样本数量，n∈(1～N)。
进一步的技术方案是，所述高阶交叉特征通过滤波器处理集权后的脑电波样本信号进行获取，计算公式如下：
其中，Dl为l阶交叉特征，Xn(l)、Xn-1(l)分别为l阶下两个特征函数，l为交叉特征的阶数，n∈(1～N)。
进一步的技术方案是，所述类内相关系数法的评价模型为：
其中，MSB表示各组特征特征参数的类间平均方差，MSW表示各组特征特征参数的类内平均方差，m表示特征参数的数量。
鉴于现有技术中亟需一种既有较好的稳定性，且能进行实时情绪检测方法，本方案提出了一种基于脑电波分析的情绪检测方法，该方法首先利用原始的脑电数据来提取特征，分别提取出分形维度特征、能量特征、统计学特征和高阶交叉特征；然后利用类内相关系数法来评价所提取特征的特征参数进而获得最稳定的特征参数；之后通过支持向量机将获得的特征参数用来训练分类模型；最后利用训练出的分类模型实现情绪的实时检测。在对某一目标进行情绪检测时，无需重新训练分类模型，只需下载步骤3中保存的分类模型并应用到该目标的情绪分类中。这样，该目标的情绪实时检测就得以实现。
本发明的显著效果是：本发明通过利用类内相关系数法来获得最稳定的特征参数，成功训练出了稳定准确的分类模型；与传统的方法相比，无需重新训练分类模型，本方法操作更简单，分类精度更高。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示，一种基于脑电波分析的情绪检测方法，具体步骤如下：
步骤1：对获取的脑电波样本信号进行特征提取，分别提取出分形维度特征、能量特征、统计学特征和高阶交叉特征，具体操作如下：
本例中，所述分形维度特征由Higuchi算法对脑电波信号处理后获得，
首先对获取的脑电波样本信号按下式进行间隔采样处理，处理公式为从而获得新的时间序列样本对每个新的时间序列样本计算其偏差均值Ln(k)，计算公式为：并根据公式<Ln(k)>∝k-FD计算偏差均值Ln(k)的平均数，由此可计算获得分形维度的值其中，n∈(1～k)为初始时间，k为间隔时间。
对于脑电波样本信号的能量特征，利用离散傅里叶变换处理脑电波信号如下：
则能量特征可表示为
其中，N为输入样本数量，n∈(1～N)。
对于脑电波的统计学特征，分别计算脑电波信号的均值μX、标准差σX、第一次偏差绝对值的均值δX、标准化脑电波信号第一次偏差绝对值的均值第二次偏差绝对值的均值γX和标准化脑电波信号第二次偏差绝对值的均值计算公式如下：
其中，X(n)、X(n+1)、X(n+2)分别一个脑电波样本信号的三个不同序列，分别为三个标准化的脑电波信号，N为输入样本数量，n∈(1～N)。
对于脑电波的高阶交叉特征，应用滤波器处理集权后的脑电波样本信号进行提取，而滤波器函数式表示如下：
其中，Y(n)＝X(n)-μX，则l阶交叉特征表示如下：
其中，Xn(l)、Xn-1(l)分别为l阶下的两个特征函数，计算公式为Y(n)为对第n个脑电波样本信号X(n)的集权处理，μX脑电波样本信号的均值，l为交叉特征的阶数，n∈(1～N)。
步骤2：采用类内相关系数法对所提取特征的特征参数进行评价，获得最稳定特征参数，评价模型为：
其中，MSB表示各组特征特征参数的类间平均方差，MSW表示各组特征特征参数的类内平均方差，m表示特征参数的数量。
步骤3：根据步骤2获得的最稳定特征参数，通过支持向量机训练分类模型；
步骤4：利用步骤3训练出的分类模型进行情绪的实时检测。
具体实施过程中，在对某一目标进行情绪检测时，无需重新训练分类模型，只需下载步骤3中保存的分类模型并应用到该目标的情绪分类中。这样，该目标的情绪实时检测就得以实现。
本发明的显著效果是：本发明通过利用类内相关系数法来获得最稳定的特征参数，成功训练出了稳定准确的分类模型；与传统的方法相比，本方法操作更简单，分类精度更高。
在本实施例中，针对四种情绪进行了识别，实验的结果如表1所示，其中F1表示传统的情绪分类方法，F2表示本方案提出的组合特征(分形维度特征、5种统计学特征、1阶高阶交叉特征和4种带能量特征)情绪分类方法，不难看出，本方案提高了情绪识别的准确率。
表1