專利名稱：基于腦電非線性特征的情緒狀態(tài)識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于情緒狀態(tài)識別技術(shù)，涉及一種基于腦電非線性特征的情緒狀態(tài)識別方法。
背景技術(shù)：
1872年，達(dá)爾文在《人類和動(dòng)物的表情》一書中指出情緒是高級進(jìn)化階段的適應(yīng)工具，從此人們開始了情緒實(shí)驗(yàn)與理論的研究。經(jīng)過100多年，到20世紀(jì)后期情緒研究蓬勃發(fā)展起來，并與認(rèn)知、神經(jīng)科學(xué)、腦科學(xué)等研究相結(jié)合；其研究手段也多種多樣，如腦電 (EEG)、功能磁共振成像(fMRI)、功能近紅外成像(fOTRI)等。隨著社會(huì)的發(fā)展，各年齡、各領(lǐng)域人們的情緒困擾越來越多、越來越嚴(yán)重，各種與情緒相關(guān)的疾病發(fā)病率越來越高，如抑郁癥、狂躁癥、焦慮癥、強(qiáng)迫癥、情感障礙等。2010年， 據(jù)世界衛(wèi)生組織統(tǒng)計(jì)，全球抑郁癥發(fā)病率約為11 %，全球約有3. 4億抑郁癥患者并且人數(shù)在不斷增長。當(dāng)前抑郁癥已經(jīng)成為世界第四大疾病，預(yù)計(jì)到2020年可能將成為僅次于心臟病的人類第二大疾患，抑郁癥將成為21世紀(jì)人類的主要?dú)⑹帧＿@嚴(yán)重影響了人們的生活質(zhì)量，同時(shí)也為情緒研究的發(fā)展提供了強(qiáng)大的動(dòng)力。情緒研究在國外已廣泛發(fā)展。1985國際上成立了“國際情緒研究學(xué)會(huì)”。其發(fā)展的進(jìn)程已經(jīng)涉及人類社會(huì)和人的心理生活的各個(gè)方面，從基本理論、方法論和內(nèi)容，從簡單的情緒品種及其作用，情緒與認(rèn)知關(guān)系，到復(fù)雜的社會(huì)化情緒。IAPS自問世以來，被廣泛地運(yùn)用在有關(guān)情緒問題的研究中，比如情緒的生理機(jī)制、情緒調(diào)節(jié)、情緒與注意、記憶等認(rèn)知活動(dòng)的關(guān)系等。目前，國內(nèi)外很多課題組在進(jìn)行基于IAPS的情緒圖片視覺誘發(fā)的研究，也獲得了許多研究成果，這些研究成果按照信號采集方法不同，可以分為情緒體驗(yàn)自我報(bào)告法、腦成像技術(shù)、生物反饋法以及以上各種方法的結(jié)
I=I O現(xiàn)有技術(shù)中，大多存在技術(shù)復(fù)雜、識別準(zhǔn)確性差等不足。

發(fā)明內(nèi)容
本發(fā)明旨在解決克服現(xiàn)有技術(shù)的不足，提供一種更加客觀的情緒狀態(tài)識別方法， 可以為心理疾病(如抑郁癥)的治療評價(jià)提供一個(gè)更加客觀的評價(jià)方法。為達(dá)到上述目的，本發(fā)明采取的技術(shù)方案是，基于腦電非線性特征的情緒狀態(tài)識別方法，包括數(shù)據(jù)采集與數(shù)據(jù)預(yù)處理、特征提取以及特征分析與分類識別步驟；數(shù)據(jù)采集與數(shù)據(jù)預(yù)處理是，選擇按照愉悅度范圍分為八個(gè)等級的情緒圖片，情緒圖片等級越高誘發(fā)出的情緒越積極，情緒圖片等級越低誘發(fā)出的情緒越消極，利用情緒圖片對受試者進(jìn)行情緒誘發(fā)，并記錄其腦電信號，對采集的原始腦電信號進(jìn)行預(yù)處理，包括改變參考電位、降采樣、帶通濾波、去除眼電四個(gè)步驟；特征提取是指功率譜熵的提取和相關(guān)維數(shù)提?。粚⑻崛〉墓β首V熵和相關(guān)維數(shù)兩種特征進(jìn)行特征層融合后，使用SVM或HMM將等級一、等級五、等級八的情緒狀態(tài)區(qū)分開，SVM和HMM分別是Support Vector Machine和Hidden Markov Model的縮寫；SVM指支持向量機(jī)，HMM指隱馬爾科夫模型。功率譜熵的計(jì)算方法如下設(shè)信號的采樣頻率為fs，采樣點(diǎn)數(shù)為N，這樣就得到信號的一個(gè)離散的時(shí)間序列，該離散序列經(jīng)FFT后得到X(Coi),角頻率兩= 2,...，|，則功率譜密度為
p(oj:) \ IXUu1)卩:，具有N個(gè)樣本點(diǎn)的一個(gè)離散的時(shí)間序列信號經(jīng)過FFT變換后得到Ν/2
個(gè)有效的功率譜密度值，他們分別是信號頻率為力=|xM = l，2,...，|，時(shí)的功率密度
大小，Af = $為相鄰兩個(gè)功率密度所對應(yīng)的頻率間隔，頻率范圍為·這就是全頻段，將
:J..:,:J. $總的功率譜進(jìn)行歸一化得到Pi,即= ，則有Σ iPi = 1，如果把頻率為fi至
fi+Δ f之間的信號視為一個(gè)信息符號，則Pi可以理解為該信號出現(xiàn)的概率，因而這個(gè)功率譜就構(gòu)成一個(gè)具有N/2個(gè)信息符號的信源，按照信息熵的定義則可計(jì)算出功率譜熵為
權(quán)利要求
1.一種基于腦電非線性特征的情緒狀態(tài)識別方法，其特征是，包括數(shù)據(jù)采集與數(shù)據(jù)預(yù)處理、特征提取以及特征分析與分類識別步驟；數(shù)據(jù)采集與數(shù)據(jù)預(yù)處理是，選擇按照愉悅度范圍分為八個(gè)等級的情緒圖片，情緒圖片等級越高誘發(fā)出的情緒越積極，情緒圖片等級越低誘發(fā)出的情緒越消極，利用情緒圖片對受試者進(jìn)行情緒誘發(fā)，并記錄其腦電信號，對采集的原始腦電信號進(jìn)行預(yù)處理，包括改變參考電位、降采樣、帶通濾波、去除眼電四個(gè)步驟；特征提取是指功率譜熵的提取和相關(guān)維數(shù)提??；將提取的功率譜熵和相關(guān)維數(shù)兩種特征進(jìn)行特征層融合后，使用SVM或HMM將等級一、 等級五、等級八的情緒狀態(tài)區(qū)分開，SVM和HMM分別是Support Vector Machine和Hidden Markov Model的縮寫；SVM指支持向量機(jī)，HMM指隱馬爾科夫模型。
2.如權(quán)利要求1所述的方法，其特征是，功率譜熵的計(jì)算方法如下設(shè)信號的采樣頻率為fs，采樣點(diǎn)數(shù)為N，這樣就得到信號的一個(gè)離散的時(shí)間序列，該離散序列經(jīng)FFT后得到X(Oi),角頻率兩/ = 1,2,...，|，則功率譜密度為 PUu,) = ^； IX(ω. )|二，具有N個(gè)樣本點(diǎn)的一個(gè)離散的時(shí)間序列信號經(jīng)過FFT變換后得到Ν/2 個(gè)有效的功率譜密度值，他們分別是信號頻率為力=|xM = l，2,...，*，時(shí)的功率密度大小，M = §:為相鄰兩個(gè)功率密度所對應(yīng)的頻率間隔，頻率范圍為f - +，+，這就是全頻段，將…，孩總的功率譜進(jìn)行歸一化得到Pi,即ft = i^，則有Σ iPi = 1，如果把頻率為fi至 j·· ‘ >·'··' · . — - 、--fi+Δ f之間的信號視為一個(gè)信息符號，則Pi可以理解為該信號出現(xiàn)的概率，因而這個(gè)功率譜就構(gòu)成一個(gè)具有N/2個(gè)信息符號的信源，按照信息熵的定義則可計(jì)算出功率譜熵為H即為功率譜熵；功率譜熵特征的提取根據(jù)導(dǎo)聯(lián)分區(qū)將每個(gè)區(qū)域內(nèi)的功率譜熵求平均，則一張圖片就得到6個(gè)特征，然后再將每一等級的圖片的功率譜熵求平均，最后再將受試者的數(shù)據(jù)求平均，得到平均功率譜熵隨情緒等級變化圖。
3.如權(quán)利要求1所述的方法，其特征是，相關(guān)維數(shù)提取是，采用Grassberger和 Procaccia算法，簡稱G-P算法，其提取、計(jì)算過程如下設(shè)Ixk :k= 1,2,3,...,N}是采集到的腦電序列，將其嵌入到m維歐式空間Rm中，得到一個(gè)向量集J(m)，其元素記為Xn (m，L, J) 一 (Xi + (n-l)j' Xl + (n-l)j+L' *** Xl + (n-l) J+(iii-1)l) Π — 1，2，3，· · · Nm其中，L為時(shí)間延遲，J為采樣間隔，Nffl是重構(gòu)向量的維數(shù)，其值可由下面的公式計(jì)算^ 飛 N — Γ) - (m — 1)1 ..i\ V S- X” / .取J = 1，則有Nm = N-(On-I) X L，從狀態(tài)空間中的Nm個(gè)點(diǎn)中任意選定一個(gè)參考點(diǎn)則其余Nm-I個(gè)點(diǎn)到\的距離可以定義為!'ι = Λ' ■入‘;)=Σ C (、:... ^L — \；.-. <·￡ )^]ι : J對所有= 1,2,3, -,Nffl)重復(fù)這一過程，得到相關(guān)積分函數(shù) ι WC i >■ i ——\\ J-J ν 、■. : - ............................................:. / ^ Ij · ...... . Λ-.-、-- ——丄 S ( ι t Hi ....... ‘ — — ？在這里，r是一個(gè)變量，它的取值范圍為[(Aj)min，(、.)_]，且式中Heaviside函數(shù)為斷)U Λ "οIo Λ" S 0又由于Nm>> 1，所以Cm(r)可以表示為。rl =補(bǔ).......Γ;;|八 fi . — ι - 1對于充分小的r，相關(guān)積分逼近下式 InCm (r) = InC+D (m) InrD(m)即為相關(guān)維數(shù)；因此得到重構(gòu)空間Rm中的子集J(m)的相關(guān)維數(shù)為din C,,- (r)Dim) = Inn----(jinr利用InCm(r) Inr曲線通過線性回歸來求得。
全文摘要
本發(fā)明屬于情緒狀態(tài)識別技術(shù)。為提供一種更加客觀的情緒狀態(tài)識別方法，為心理疾病的治療評價(jià)提供一個(gè)更加客觀的評價(jià)方法，本發(fā)明采取的技術(shù)方案是，基于腦電非線性特征的情緒狀態(tài)識別方法，包括數(shù)據(jù)采集與數(shù)據(jù)預(yù)處理、特征提取以及特征分析與分類識別步驟；數(shù)據(jù)采集與數(shù)據(jù)預(yù)處理是，利用圖片對受試者進(jìn)行情緒誘發(fā)，并記錄其腦電信號，對采集的原始腦電信號進(jìn)行預(yù)處理，包括改變參考電位、降采樣、帶通濾波、去除眼電四個(gè)步驟；特征提取是指功率譜熵的提取和相關(guān)維數(shù)提??；將提取的功率譜熵和相關(guān)維數(shù)兩種特征進(jìn)行特征層融合后，使用SVM或HMM分級區(qū)分。本發(fā)明主要應(yīng)用于情緒狀態(tài)識別。
文檔編號A61B5/0476GK102499677SQ201110425339
公開日2012年6月20日 申請日期2011年12月16日 優(yōu)先權(quán)日2011年12月16日
發(fā)明者萬柏坤, 付蘭, 明東, 曾紅梅, 綦宏志, 馬嵐 申請人:天津大學(xué)