【技術實現步驟摘要】
本專利技術涉及腦電信號(eeg)處理和情緒識別，具體涉及一種基于多重分形特征的腦電情緒分類方法及系統。
技術介紹
1、腦電圖(eeg)是一種記錄大腦電活動的技術，能夠捕捉大腦對不同刺激的響應，包括情緒變化。情緒狀態與大腦的電生理活動緊密相關，因此eeg數據分析對于情緒識別有著重要應用。盡管如此，目前的情緒識別技術仍存在一定的局限性。這些技術大多依賴于傳統的信號處理方法，如功率譜密度分析和線性特征提取，這些方法可能無法有效捕捉eeg信號中的復雜模式和動態變化。
2、此外，eeg信號本身具有高度的非線性和動態性，這使得傳統的線性分析方法難以充分利用其所蘊含的豐富信息。此外，eeg數據的高維度和背景噪聲也對情緒分類的準確性和可靠性構成挑戰。因此，開發一種新的方法，能夠更全面地分析eeg信號中的復雜模式，對于提高情緒識別的性能至關重要。
3、分形理論在eeg信號分析中的應用基于其獨特的能力，即描述信號的復雜度和自相似性。分形特征，如分形維數，提供了一種量化eeg信號復雜性的方法。這種復雜性反映了大腦活動的動態變化和非線性特性，這些特性與情緒狀態的變化密切相關。傳統的線性特征可能無法充分捕獲這種復雜性，而分形特征能夠揭示eeg信號中隱藏的模式和結構。
4、在情緒分類的上下文中，利用分形特征可以提高識別的準確性。情緒狀態(如快樂、悲傷、中性和憤怒等)與大腦的特定電活動模式相關聯，而這些模式在分形分析中可能表現為獨特的特征。因此，通過分析eeg信號的分形特征，可以更有效地區分不同的情緒狀態，從而提高情緒分類
技術實現思路
1、有鑒于此，本專利技術提供了一種基于多重分形特征的腦電情緒分類方法，能夠準確有效地進行情緒識別。
2、本專利技術的基于多重分形特征的腦電情緒分類方法，包括：
3、采用多重分形分析法提取腦電數據的hurst指數和質量指數；對質量指數進行求導，得到奇異指數；
4、以腦電數據的hurst指數和奇異指數為分形特征，進行腦電情緒分類。
5、進一步的，采用多重分形分析法提取腦電數據的hurst指數和奇異指數，具體為：
6、s1，針對采集的腦電數據序列{xk}，計算序列{xk}的均值
7、
8、其中，n為腦電數據序列的長度；
9、s2，計算第i個腦電數據的累計離差：
10、
11、s3，將累計離差序列{y(i)}劃分成若干個等長子區間；
12、s4，針對各子區間，將子區間內的點進行最小二乘法的k階多項式擬合：
13、yv(m)＝a1mk+a2mk-1++akm+ak+1
14、其中，m＝1,2,…,s，s為子區間內數據的總個數；
15、s5，針對各樣本區間，計算其樣本數據的均方誤差f2(s,v)；
16、s6，對f2(s,v)取平均值，得到q波動函數fq(s)：
17、
18、其中，q為任意不為零的實數；
19、s7，繪制“ln[fq(s)]-lns”函數關系圖，函數關系圖中的斜率即為hurst指數h(q)；
20、s8，計算質量指數τ(q)：
21、τ(q)＝qh(q)-1
22、s9，計算奇異指數α：
23、
24、進一步的，所述s3中，將累計離差序列y(i)劃分成ns個子區間，其中若s不能被n整除，則將序列向后移項，直至將序列的剩余部分包含在內，然后對移項后的序列劃分為ns個子區間；最終得到2ns個等長小區間。
25、進一步的，所述s5中，
26、對于區間v＝1,2,,ns，計算均方誤差f2(s,v)：
27、
28、對于區間v＝ns+1,ns+2,,2ns，計算均方誤差f2(s,v)：
29、
30、進一步的，所述多重分形去趨勢波動分析方法為多重分形去趨勢波動分析方法。
31、進一步的，腦電情緒分類采用的分類器為決策樹、支持向量機、邏輯回歸或隨機森林。
32、進一步的，構建樣本集，基于所述樣本集對所述分類器進行訓練，采用訓練好的分類器完成腦電情緒分類；
33、其中，樣本集的構建方式包括：
34、s01，采集不同情緒下的腦電數據；
35、s02，對s01的腦電數據進行下采樣；
36、s03，使用獨立成分分析算法去除腦電數據中的眼電信號；
37、s04，對腦電信號進行分割，使其對應于受試時的不同情緒片段，并去除受試準備時間對應的腦電數據；
38、s05，從s04分割后的腦電信號中抽取腦電樣本組成樣本集。
39、進一步的，所述s01中，直接采用deap數據集、seed數據集、seed-iv數據集、或seed-v數據集的腦電數據。
40、本專利技術還提供了一種基于多重分形特征的腦電情緒分類系統，包括：信號采集模塊、特征提取模塊和分類器；
41、其中，所述信號采集模塊用于采集腦電數據；
42、所述特征提取模塊采用上述方法提取腦電數據的hurst指數和奇異指數；
43、所述分類器以腦電數據的hurst指數和奇異指數為輸入，采用上述方法輸出腦電情緒分類結果。
44、有益效果：
45、(1)本專利技術采用多重分形特征提取方法，提取腦電數據的hurst指數和奇異指數，該特征能夠更全面地反映信號的局部動態變化，提高分類模型的魯棒性，并增強對瞬時情緒變化的捕捉能力，從而有效提升情緒分類的性能。
46、(2)采用多重分形去趨勢波動分析方法提取腦電信號的hurst指數和奇異指數，該方法增加了對信號趨勢的去除能力，較多重分形分析方法更有效地處理非平穩信號。
47、(3)采用支持向量機作為情緒分類的分類器，支持向量機對高維度數據和噪聲具有較好的魯棒性。
本文檔來自技高網...【技術保護點】
1.一種基于多重分形特征的腦電情緒分類方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，采用多重分形分析法提取腦電數據的Hurst指數和奇異指數，具體為：
3.如權利要求2所述的方法，其特征在于，所述S3中，將累計離差序列Y(i)劃分成NS個子區間，其中若s不能被N整除，則將序列向后移項，直至將序列的剩余部分包含在內，然后對移項后的序列劃分為NS個子區間；最終得到2NS個等長小區間。
4.如權利要求3所述的方法，其特征在于，所述S5中，
5.如權利要求1所述的方法，其特征在于，所述多重分形去趨勢波動分析方法為多重分形去趨勢波動分析方法。
6.如權利要求1～5任一所述的方法，其特征在于，腦電情緒分類采用的分類器為決策樹、支持向量機、邏輯回歸或隨機森林。
7.如權利要求6所述的方法，其特征在于，構建樣本集，基于所述樣本集對所述分類器進行訓練，采用訓練好的分類器完成腦電情緒分類；
8.如權利要求7所述的方法，其特征在于，所述S01中，直接采用DEAP數據集、SEED數據集、SEED-IV
9.一種基于多重分形特征的腦電情緒分類系統，其特征在于，包括：信號采集模塊、特征提取模塊和分類器；
...【技術特征摘要】
1.一種基于多重分形特征的腦電情緒分類方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，采用多重分形分析法提取腦電數據的hurst指數和奇異指數，具體為：
3.如權利要求2所述的方法，其特征在于，所述s3中，將累計離差序列y(i)劃分成ns個子區間，其中若s不能被n整除，則將序列向后移項，直至將序列的剩余部分包含在內，然后對移項后的序列劃分為ns個子區間；最終得到2ns個等長小區間。
4.如權利要求3所述的方法，其特征在于，所述s5中，
5.如權利要求1所述的方法，其特征在于，所述多重分形去趨勢波動分析方...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。