一种改进的SVM脑电信号情绪识别方法与流程

一种改进的svm脑电信号情绪识别方法
技术领域
[0001]
本发明属于信号处理技术领域，涉及一种改进的svm脑电信号情绪识别方法。


背景技术：

[0002]
基于脑电信号的情绪识别是通过获取人的生理和非生理信号对人的情绪状态进行识别,根据国际“10-20”系统分布在整个头皮上的16、32、64或128通道来获取脑电信号，对所采集到的脑电信号进行预处理并进行特征提取，将处理好的数据输入svm分类模型进行检验。由于传统的svm模型的参数c和g需要依靠建模人员的经验来选取，所以其模型的分类性能具有较大的随机性。


技术实现要素：

[0003]
本发明的目的是提供一种改进的svm脑电信号情绪识别方法，具有取得svm模型的最优参数c和gamma，从而提高识别的准确率的特点。
[0004]
本发明所采用的技术方案是，一种改进的svm脑电信号情绪识别方法，具体按照以下步骤实施：
[0005]
步骤1、对deap数据库进行预处理；
[0006]
步骤2、提取情绪特征；
[0007]
步骤3、用pso-svm分类器对提取的情绪特征数据进行分类。
[0008]
步骤1中deap数据库进行预处理包括：对实验数据进行采样和去除噪声，采样频率为128hz。
[0009]
步骤1中的数据库包含了32个测试对象，其中16名男性和16名女性；分别在大脑的额叶、顶叶、枕叶和颞叶四个区域用32个传感器，采集实验者分别看40段视频时的信号，每个视频时间为60s；对于每个被试对象，有两个数组记录它们脑电图信号及相应情绪状态。
[0010]
两组数据中，第一个数组的格式为40*32*60，其中含义是40次实验视频、32个脑电信号通道、每次实验60s；另一个数组表示在看音乐视频的时被试对象所对应的四种情绪状态的等级。
[0011]
四种情绪状态包括：
[0012]
效价，范围1-9；从不快乐或悲伤到快乐或喜悦，一般阈值设为5；
[0013]
唤醒，范围1-9；从平静或无聊到刺激或兴奋；
[0014]
支配性，范围1-9；从顺从或没有控制到支配性或有控制；
[0015]
喜好度，喜欢或不喜欢。
[0016]
步骤2具体为：
[0017]
步骤2.1、选用母小波daubechies5进行提取；
[0018]
步骤2.2、计算小波变换的系数，公式为：
[0019][0020]
式中，2
j
k和2
j
分别为时间局部化和尺度，而ψ
a.b
为母小波函数，三个特征的计算都使用了dwt系数；
[0021]
步骤2.3、计算相对小波能量，公式为：
[0022][0023]
c
j
(k)表示细节系数，分子表示细节小波能量，分母为总小波能量，概率p
j
是输入数据的时间尺度；
[0024]
步骤2.4、计算相对小波熵，公式为：
[0025][0026]
变量q
j
是参考分布，给出更准确的p
j
值，相对小波熵反应了两种概率之间的相似性；
[0027]
步骤2.5、将信号的时域信息和频域信息组合，公式为：
[0028]
λ＝c
a.b
·
σ2ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0029]
c
a.b
是相对小波系数，σ2代表标准差，λ为时域信息和频域信息的组合。
[0030]
步骤3具体为：
[0031]
采用粒子群优化svm算法具体步骤如下
[0032]
步骤3.1、初始化所有粒子，初始化粒子的速度和位置，并且将个体的历史最优pbest设为当前位置，而群体中最优的个体作为当前的gbest；
[0033]
步骤3.2、每一轮的进化中，计算各个粒子的适应度函数值；
[0034]
步骤3.3、如果该粒子当前的适应度函数值优于历史最优值，那么替代历史最优值；
[0035]
步骤3.4、如果该粒子的个体最优优于全局最优值，那么替代全局最优值；
[0036]
步骤3.5、对于每个粒子i的第d维的速度和位置分别按照下面公式(5)(6)进行更新；
[0037]
粒子i的第d维速度更新公式：
[0038][0039]
粒子i的第d维位置更新公式：
[0040][0041]
步骤3.6、判断是否达到最大迭代次数，如果没有继续步骤3.2，否则输出gbest并结束；
[0042]
步骤3.7、用训练好的c和gamma训练svm；
[0043]
步骤3.8、对测试集进行预测，计算分类准确率。
[0044]
步骤3中三次交叉验证得到的准确率作为目标函数，c和gamma作为约束变量进行优化，初始的种群数位100，最大迭代次数为10次，变量的范围是15-0.001，学习因子和社会因子均为2，权重设置为ω
ini
＝0.9，ω
end
＝0.4。
[0045]
本发明的有益效果是：
[0046]
本发明基于svm算法提出改进的pso-svm脑电信号情绪识别方法，实验结果表明采用pso-svm算法对效价与唤醒度的情绪二分类平均正确率分别为60.53％与65.66％，且比起传统的svm准确率分别提升了5.05％和1.85％，均优于传统svm算法，有效验证了pso-svm算法能够较好的识别准确率。
附图说明
[0047]
图1是本发明改进的svm脑电信号情绪识别方法中pso-svm算法流程图；
[0048]
图2是本发明改进的svm脑电信号情绪识别方法中第2名被试者唤醒度第6通道优化图；
[0049]
图3是本发明改进的svm脑电信号情绪识别方法中32位svm与pso-svm效价平均准确率对比图；
[0050]
图4是本发明改进的svm脑电信号情绪识别方法中32位svm与pso-svm唤醒度平均准确率对比图；
[0051]
表1是本发明改进的svm脑电信号情绪识别方法中32位被试者平均识别正确率。
具体实施方式
[0052]
下面结合附图和具体实施方式对本发明进行详细说明。
[0053]
如图1所示，一种改进的svm脑电信号情绪识别方法，具体按照以下步骤实施：
[0054]
步骤1、对deap数据库进行预处理；
[0055]
步骤2、提取情绪特征；
[0056]
步骤3、用pso-svm分类器对提取的情绪特征数据进行分类。
[0057]
步骤1中deap数据库进行预处理包括：对实验数据进行采样和去除噪声，采样频率为128hz。
[0058]
步骤1中的数据库包含了32个测试对象，其中16名男性和16名女性；分别在大脑的额叶、顶叶、枕叶和颞叶四个区域用32个传感器，采集实验者分别看40段视频时的信号，每个视频时间为60s；对于每个被试对象，有两个数组记录它们脑电图信号及相应情绪状态。
[0059]
两组数据中，第一个数组的格式为40*32*60，其中含义是40次实验视频、32个脑电信号通道、每次实验60s；另一个数组表示在看音乐视频的时被试对象所对应的四种情绪状态的等级。
[0060]
四种情绪状态包括：
[0061]
效价，范围1-9；从不快乐或悲伤到快乐或喜悦，一般阈值设为5；
[0062]
唤醒，范围1-9；从平静或无聊到刺激或兴奋；
[0063]
支配性，范围1-9；从顺从或没有控制到支配性或有控制；
[0064]
喜好度，喜欢或不喜欢。
[0065]
心理学研究表明人的情绪与四个频带有关，分别是alpha、beta、gamma和delta。小
波分析是一种时间和尺度上的局部分析方法，它对信号具有自适应性，步骤2具体为：
[0066]
步骤2.1、选用母小波daubechies5进行提取；
[0067]
步骤2.2、计算小波变换的系数，公式为：
[0068][0069]
式中，2
j
k和2
j
分别为时间局部化和尺度，而ψ
a.b
为母小波函数，三个特征的计算都使用了dwt系数；
[0070]
步骤2.3、计算相对小波能量，公式为：
[0071][0072]
c
j
(k)表示细节系数，分子表示细节小波能量，分母为总小波能量，概率p
j
是输入数据的时间尺度；
[0073]
步骤2.4、计算相对小波熵，公式为：
[0074][0075]
变量q
j
是参考分布，给出更准确的p
j
值，相对小波熵反应了两种概率之间的相似性；
[0076]
步骤2.5、将信号的时域信息和频域信息组合，公式为：
[0077]
λ＝c
a.b
·
σ2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0078]
c
a.b
是相对小波系数，σ2代表标准差，λ为时域信息和频域信息的组合。
[0079]
步骤3具体为：
[0080]
采用粒子群优化svm算法具体步骤如下
[0081]
步骤3.1、初始化所有粒子，初始化粒子的速度和位置，并且将个体的历史最优pbest设为当前位置，而群体中最优的个体作为当前的gbest；
[0082]
步骤3.2、每一轮的进化中，计算各个粒子的适应度函数值；
[0083]
步骤3.3、如果该粒子当前的适应度函数值优于历史最优值，那么替代历史最优值；
[0084]
步骤3.4、如果该粒子的个体最优优于全局最优值，那么替代全局最优值；
[0085]
步骤3.5、对于每个粒子i的第d维的速度和位置分别按照下面公式(5)(6)进行更新；
[0086]
粒子i的第d维速度更新公式：
[0087][0088]
粒子i的第d维位置更新公式：
[0089][0090]
步骤3.6、判断是否达到最大迭代次数，如果没有继续步骤3.2，否则输出gbest并
结束；
[0091]
步骤3.7、用训练好的c和gamma训练svm；
[0092]
步骤3.8、对测试集进行预测，计算分类准确率。
[0093]
步骤3中三次交叉验证得到的准确率作为目标函数，c和gamma作为约束变量进行优化，初始的种群数位100，最大迭代次数为10次，变量的范围是15-0.001，学习因子和社会因子均为2，权重设置为ω
ini
＝0.9，ω
end
＝0.4。
[0094]
在svm分类模型中参数c和gamma均是由实验人员的经验所决定，同时与所处理的数据对象有关，故具有很高的不确定性。因此选择更符合数据特点的参数能够实现更准确的预测。粒子群算法是一种用位置和速度来实现优化的并行全局搜索算法，具有收敛速度快和设置参数少的优点。下面是算法的具体介绍：
[0095]
原理介绍
[0096]
在d维空间中，有n个粒子：
[0097]
粒子i位置：x
i
＝(x
i1
,x
i2
,
…
x
id
)，将x
i
代入适应函数f(x
i
)求适应值。
[0098]
粒子i速度：v
i
＝(v
i1
,v
i2
,
…
v
id
)
[0099]
粒子i个体经历最好的位置：pbest
i
＝(p
i1
,p
i2
,
…
p
id
)
[0100]
种群所经历的过的最好位置：gbest
i
＝(g1,g2,
…
g
d
)
[0101]
通常，在第d(1≤d≤d)维的位置变化范围限定在[x
max,d
,v
max,d
]内，速度变化范围限定在[-v
max,d
,v
max,d
]内(即在迭代中若v
id
、x
id
超出了边界值，则该维的速度或位置被限制为该维最大速度或边界位置)。
[0102]
粒子i的第d为速度更新公式：
[0103][0104]
粒子速度更新公式包含三部分：
[0105]
第一部分是粒子先前的速度，第二部分是“认知部分”，表示粒子本身的思考，可理解为粒子i当前位置与自己最好位置之间的距离。第三部分是“社会部分”，表示粒子间的信息共享与合作，可理解为粒子i当前位置与群体最好位置之间的距离。
[0106]
粒子i的第d维位置更新公式：
[0107][0108]-第k次迭代粒子i飞行速度矢量的第d维分量。
[0109]-第k次迭代粒子i位置矢量的第d维分量。
[0110]
其中，为第k次迭代粒子i飞行速度矢量的第d维分量；为第k次迭代粒子i位置矢量的第d维分量；c1、c2为加速度常量，调节学习步长；r1、r2是两个随机函数，取值范围[0,1]以增加随机性；ω是惯性权重，调节对解空间的搜索范围。
[0111]
为了使惯性权重能有更好的寻优结果，动态ω可在pso-svm搜索过程中线性变化，目前采用较多的是线性递减权值(linearly decreasing weight,ldw)策略。其公式如下：
[0112]
ω
(t)
＝(ω
ini-ω
end
)(g
k-g)/g
k
+ω
end
ꢀꢀꢀꢀꢀ
(7)
[0113]
g
k
：最大迭代次数
[0114]
ω
ini
：初始惯性权重
[0115]
ω
end
：迭代至最大进化代数时的惯性权重。
[0116]
使用deap脑电数据库进行验证，对信号进行预处理后提取信号的三种特征分别是：相对小波能量、相对小波熵、以及标准差与相对小波系数的乘积。首先用svm分类模型进行实验，选用的核函数为高斯核函数参数和gamma都是默认数值。其次采用粒子群算法对svm分类模型的参数进行优化，如图2所示为优化某一通道的结果在第2代就到了最优，优化的结果准确提高了1.4％。图3和图4分别为优化32被试者的32通道数据进行平均之后的对比图，可以看出通过优化之后准确率得到了明显提升，验证了pso-svm算法的优化的有效性。
[0117][0118]
表1
[0119]
svm为传统模型，pso-svm是用粒子群优化svm的模型。效价平均识别正确率是指32名被试者在观看40个视频的效价平均正确率，唤醒度同理。从表中可以看出改进之后的模型的准确率在效价轴比原模型高5.05％，在唤醒度轴比原模型高1.85％。
[0120]
本发明基于svm算法提出改进的pso-svm脑电信号情绪识别方法，实验结果表明采用pso-svm算法对效价与唤醒度的情绪二分类平均正确率分别为60.53％与65.66％，且比起传统的svm准确率分别提升了5.05％和1.85％，均优于传统svm算法，有效验证了pso-svm算法能够较好的识别准确率。