基于实时脑电的人体情绪识别方法与流程

本发明涉及生物特征识别领域的脑电信号特征分类技术领域，尤其涉及一种基于实时脑电的人体情绪识别方法。

背景技术：

情绪能够反映一个人的认知和态度，可以影响人的心理和行为，是人们日常生活中重要的组成部分。随着人机交互应用的快速发展，人们希望有更加人性化的计算机来辅助人们完成工作任务，这就要求计算机具有一定的情绪识别能力。在人机交互过程中，如果计算机能够快速准确地识别人所处的情绪状态，则它就能够根据人的情绪状态调整其工作内容和方式，改善人机交互的体验，使得人机交互过程更加友好和自然。

近年来，随着脑电信号设备的应用，基于脑电的情绪识别研究已经成为人机交互应用和人工智能领域中一项十分重要的研究内容。脑电信号作为一种中枢神经系统的生理信号已经被许多研究证明它与情绪具有较大的相关性，具有较强的情绪表征能力，可以作为一种有效的手段来进行情绪识别。目前，常用的采集脑电信号的方法是在头皮上放置电极，通过电极记录头皮上的电位变化。由于头皮上有一层角质层，而角质层不导电，所以通常不能直接采集到脑电信号。因此要在电极和头皮之间涂抹胶状导电膏，减小电极与头皮之间的电阻，从而采集到脑电信号。电极的放置是根据国际10-20系统的电极分布图，布满整个脑壳。这种方法虽然能够采集到比较稳定的脑电信号，但是其缺点在于每次采集都要给被试涂抹导电膏，这一过程的工作量十分巨大，准备过程也十分繁琐，而且导电膏与头皮长时间接触会让人产生不适感。此外，所有电极中的脑电信号可能具有与情绪无关的冗余信息，若全部利用不但会增加算法的复杂度，而且会对情绪识别产生干扰，降低情绪识别的精度。因此，找到与情绪相关的关键脑区，降低脑电采集的成本和复杂度变得至关重要。

中国专利申请号为：201710372387.7，申请日是:2017年05月24日，公开日是：2017年09月15日，专利名称为：脑电信号特征识别系统及方法，该发明公开了一种脑电信号特征识别系统及方法，利用设置于耳部上方颞叶区的四个导电极采集不同人在不同情绪状态下的原始脑电信号并形成样本集合；然后通过预处理和特征提取，从样本集合中得到脑电特征数据；最后对脑电特征数据进行平滑处理后得到训练样本，用于对支持向量机进行训练，从而得到情绪识别分类器。本发明在大幅度降低脑电的采集成本和复杂度的前提下，仍能够保持较高的情绪识别准确率，并且为利用可穿戴设备进行情绪识别提供了可行的依据。

上述专利文献公开了一种脑电信号特征识别系统及方法，但是该系统识别方法采集脑电信号方式复杂，成本高，无法全面有效准确识别脑电信号，无法满足现代工作生活需求。

技术实现要素：

有鉴于此，本发明在于提供一种脑电信号采集简单，智能化程度高，能够全面准确有效的识别脑电信号的基于实时脑电的人体情绪识别方法。

为了实现本发明目的，可以采取以下技术方案：

一种基于实时脑电的人体情绪识别方法，包括如下步骤：

步骤1)脑电信号采集：包括采用多通道脑电采集设备采集被试脑电信号；

步骤2)脑电信号预处理：对比步骤1所得脑电信号进行预处理，以减少尾迹干扰，提高最终分类识别率；

步骤3)对脑电信号样本特征提取；

步骤4)对脑电信号分类；

步骤5)进行情绪识别。

所述步骤3)对脑电信号样本特征提取包括通过样本熵算法对脑电信号样本特征提取；所述的样本熵算法具体是通过以下算法公式得出：

设原始数据为长度为n的时间序列，表示为：{u(i):1≤i≤n}；

2)构造一组m维空间的向量x(1),x(2),...,x(n-m+1)，其中x(i)＝{u(i),u(i+1),...,u(i+m)}.；

2)定义向量x(i)和x(j)之间的距离d[x(i),x(j)]为两向量对应元素中差值最大的一个，即：

3)对于每一个{i:1≤i≤n-m+1}，在容许偏差为r的情形下，统计

d[x(i),x(j)]＜r的数目，计为nm(i)，并计算此数目与距离总数的比值，计作：

4)对所有的i求平均值计作φ^m(r)，即

5)将维数m增加1，变成m+1重复上述1)～4)过程得到φ^m+1(r)；

6)理论上此序列的样本熵sampen(n,m,r)为：

实际中n不可能取∞，当n取有限值时，估计：

sampen(n,m,r)＝-1n[φ^m+1(r)/φ^m(r)]

sampen(n,m,r)的值与参数n，m，r的选取有关。不同的嵌入维度m和相似容限r对应的样本熵值也不同；所述r取原始数据标准偏差的0.1～0.25倍，m＝1或m＝2时sampen(n,m,r)的值对序列长度n的依赖性最好，此时计算所得的样本熵具有较为合理的统计特性。

所述步骤3)对脑电信号样本特征提取还包括通过二值距离阵样本熵算法对脑电信号样本特征提取；所述的二值距离阵样本熵算法具体是通过以下算法公式得出：

第一步：对n点序列，先计算n×n二值距离矩阵d＝[dij]n×n。

第二步，利用矩阵d中的元素，按照行递增的顺序，每两行(当m＝2时)或每三行(当m＝3时)的矩阵元素按斜线方向的组合进行“与”运算，把每一行的斜线“与”的结果累加后除以n-(m+1)，即可得到和

第三步：由和分别计算φ²(r)和φ³(r)。

第四步：计算sampen(n,m,r)。

所述步骤4)对脑电信号分类包括支持向量机分类法和遗传算法分类法。

所述步骤5)情绪识别法包括无监督学习识别法和有监督学习识别法；所述无监督学习识别法是指对样本进行模式训练时不对其指定类别信息，而是由样本自身向特性相近的样本靠近，与特性相异的样本远离，从而达到同类样本聚集，异类样本分离的效果，最终实现模式分类；所述有监督学习识别法是指需要对样本的类别进行标注，在类别信息的指导下不断修正模型参数，再将得到的训练模型用于测试样本的分类。

本发明提供的技术方案的有益效果是:1)本发明通过通过样本熵算法模式对脑电信号样本特征提取，对通过脑电信号分类和情绪化识别更加全面准确，使通过脑电信号来识别人的情绪得到了真正的运用；2)本发明降低了成本，大大提高了工作效率；3)本发明通过无监督学习识别法和有监督学习识别法来进行情绪识别，该识别方法更简捷、全面、可行。

附图说明

图1为本发明实施例基于实时脑电的人体情绪识别方法流程图；

图2为为本发明实施例基于实时脑电的人体情绪识别方法的二值距离阵样本熵算法矩阵示意图。

具体实施方式

下面结合附图及本发明的实施例对发明作进一步详细的说明。

实施例1

参看图1，该基于实时脑电的人体情绪识别方法，包括如下步骤：

步骤1)脑电信号采集s1：包括采用多通道脑电采集设备采集被试脑电信号；

步骤2)脑电信号预处理s2：对比步骤1所得脑电信号进行预处理，以减少尾迹干扰，提高最终分类识别率；

步骤3)对脑电信号样本特征提取s3；

步骤4)对脑电信号分类s4；

步骤5)进行情绪识别s5。

所述步骤3)对脑电信号样本特征提取包括通过样本熵算法对脑电信号样本特征提取；所述的样本熵算法具体是通过以下算法公式得出：

设原始数据为长度为n的时间序列，表示为：{u(i):1≤i≤n}；

3)构造一组m维空间的向量x(1),x(2),...,x(n-m+1)，其中x(i)＝{u(i),u(i+1),...,u(i+m)}.；

2)定义向量x(i)和x(j)之间的距离d[x(i),x(j)]为两向量对应元素中差值最大的一个，即：

3)对于每一个{i:1≤i≤n-m+1}，在容许偏差为r的情形下，统计

d[x(i),x(j)]＜r的数目，计为nm(i)，并计算此数目与距离总数的比值，计作：

4)对所有的i求平均值计作φ^m(r)，即

5)将维数m增加1，变成m+1重复上述1)～4)过程得到φ^m+1(r)；

6)理论上此序列的样本熵sampen(n,m,r)为：

实际中n不可能取∞，当n取有限值时，估计：

sampen(n,m,r)＝-1n[φ^m+1(r)/φ^m(r)]

sampen(n,m,r)的值与参数n，m，r的选取有关。不同的嵌入维度m和相似容限r对应的样本熵值也不同；所述r取原始数据标准偏差的0.1～0.25倍，m＝1或m＝2时sampen(n,m,r)的值对序列长度n的依赖性最好，此时计算所得的样本熵具有较为合理的统计特性。

分析上式子可以看出，该样本熵实际上是对数据长度n，相似容限r，m点数据段互相相似情况下m+1点数据段互相相似的条件概率cp的负平均自然对数的近似值。样本熵在算法上相对于近似熵算法的改进，具有如下性质：(1)样本熵不包含自身数据段的比较，因此它是条件概率的负平均自然对数的精确值，因此样本熵的计算不依赖数据长度；(2)样本熵具有更好的一致性。即如一时间序列比另一时间序列有较高的值的话，那对于其他m和r值，也具有较高的值；(3)样本熵对于丢失数据不敏感。即使数据丢失多达1/3，对计算值影响依然很小。

实施例2

与上述实施例的不同之处在于，本实施例中，所述步骤3)对脑电信号样本特征提取还包括通过二值距离阵样本熵算法对脑电信号样本特征提取；所述的二值距离阵样本熵算法具体是通过以下算法公式得出：

第一步：对n点序列，先计算n×n二值距离矩阵d＝[dij]n×n。

第二步，利用矩阵d中的元素，按照行递增的顺序，每两行(当m＝2时)或每三行(当m＝3时)的矩阵元素按斜线方向的组合进行“与”运算，把每一行的斜线“与”的结果累加后除以n-(m+1)，即可得到和

如图2所示：

比如，m＝2时，我们要判断d[x(2),x(4)＜r]是否成立，等价于判断d[u(2),u(4)＜r]和d[u(3),u(5)＜r]是否同时成立。即d24*d35＝1是否成立，这就是上述斜线求“与”的过程。实际计算过程中m＝2和m＝3可以放在同一个循环中进行，并且只有在m＝2斜线求“与”结果不为“1”的地方才有必要进行m＝3的斜线求“与”过程。

第三步：由和分别计算φ²(r)和φ³(r)；

第四步：计算sampen(n,m,r)。

实施例3

参看图1，与上述实施例的不同之处在于，本实施例中，所述步骤4)对脑电信号分类包括支持向量机分类法和遗传算法分类法。

所述支持向量机是一种由vapnik在统计学习理论基础上发展出来的一种新的机器学习方法，它基于结构风险最小化原则，保证了学习机器具有良好的泛化能力，在解决小样本、高维数、非线性、局部极小点等问题上比较好。最小二乘支持向量机是由suykens等人提出来的一种新型的支持向量机，它是把最小二乘线性方法进入到支持向量机中，将标准的支持向量机中二次规划问题转变成线性方程求解，因此简化了计算的复杂度。

所述遗传算法对特征信号进行分类，要从待处理的脑电信号中提取出大量特征信号(包括有伪特征信号和有用的特征信号)，然后，通过遗传算法去除伪特征信号，保留有用的特征信号作为驱动信号。遗传算法搜索速度比较慢，因为它没能及时利用网络的反馈信息。因此，要想得要较精确的解需要较多的训练时间。其并行机制的潜在能力没有得到充分利用，这也是当前遗传算法的一个研究热点。另外，决策树、概率模型、逻辑神经网络、多层感知器等相关分类方法也得到了广泛的应用。

实施例4

与上述实施例的不同之处在于，本实施例中，所述步骤5)情绪识别法包括无监督学习识别法和有监督学习识别法；

所述无监督学习识别法是指对样本进行模式训练时不对其指定类别信息，而是由样本自身向特性相近的样本靠近，与特性相异的样本远离，从而达到同类样本聚集，异类样本分离的效果，最终实现模式分类；

所述有监督学习识别法是指需要对样本的类别进行标注，在类别信息的指导下不断修正模型参数，再将得到的训练模型用于测试样本的分类。

该无监督学习识别方法在寻找数据集中的规律性，这种规律性并不一定要达到划分数据集的目的，也就是说不一定要“分类”。这一点是比有监督学习方法的用途要广泛。譬如分析一堆数据的主分量，或分析数据集有什么特点都可以归于非监督学习方法的范畴。

所述无监督学习识别方法可以分成两大类，一类为基于概率密度函数估计的直接方法，指设法找到各类别在特征空间的分布参数再进行分类。另一类称为基于样本间相似性度量的间接聚类方法，其原理是设法定出不同类别的核心或初始类核，然后依据样本与这些核心之间的相似性度量将样本聚集成不同类别。

常用的基于概率密度估计的直接方法的例子是直方图方法。例如我们统计一所学校中学生身高分布就往往可采用直方图方法，把身高划分成一段段，如1米到1米75算一段，然后对每一段统计身高在此范围内的学生数，得到直方图。如果这个学校的男女学生数目相近，则我们就会发现该直方图会体现出有两个分布高峰。那么找到两高峰中的谷点，就会将学生划分成两类。

有监督学习识别方法必须要有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律；而非监督学习没有训练集这一说，只有一组数据，在该组数据集内寻找规律。

有监督学习识别方法包括支持向量机分类法和神经网络分类法。

有监督学习识别方法的目的就是识别事物，识别的结果表现在给待识别数据加上了标号。因此训练样本集必须由带标号的样本组成。而无监督学习识别方法只有要分析的数据集本身，预先没有什么标号。如果发现数据集呈现某种聚集性，则可按自然的聚集性分类，但不以与某种预先的分类标号对上号为目的。

有监督学习识别法中，样本集分布呈现交迭情况，而无监督学习识别方法由于没有类别样本指导，无法确定它们的交迭情况，只能按分布的聚类情况进行划分。

目前，脑机接口技术已经涌现出很多有效的应用，如基于运动想象的轮椅控制，基于事件诱发电位的光标控制以及在3d虚拟环境下基于运动想象的汽车驾驶等。但是，目前脑机交互方式仍然停留在实现一些残疾人的一些基本需求上，而对于残疾人更高的需求无法实现。基于脑电的情绪识别在脑机接口的基础上，进一步满足残疾人某些更高级需求。如对于特定疾病的残疾人，可以通过脑电分析出其对事物的喜好度，比如，餐食的选择，电视节目的选择，喜好音乐的选择等等，通过本发明脑电情绪识别方法，可以满足残疾人更高级的需求，达到更好的护理结果，提高残疾人的生活质量。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。