EEG情感识别研究文献综述

 2022-11-03 09:11
  1. 文献综述(或调研报告):

情感作为人类的一种特殊的意识活动,一直以来都被当作认知神经科学和行为神经科学的重要研究对象。早在古希腊时期,著名哲学家亚里士多德就对情感作出了具体定义。一般认为情感有内部的基本情绪状态以及外部的刺激共同作用而产生。在一般意义上,情绪包含三个方面的内容:来自于外界的刺激源;由刺激源而导致的个体精神状态的改变,即情绪的改变;由于情绪的改变而导致的个体行为或状态的改变。人的情感(Emotion)与心情(Mood)的区别在于,情感由某个外部刺激产生,而心情往往无法找到特定的外部刺激。研究认为,情绪的产生是来自大脑的边缘系统,包括前额皮层、杏仁核、前部扣带回、腹侧纹状体、海马等,这些组织构成了一个换路,著名的心理学家MacLean通过研究证实,该环路与高等动物的情绪调节密切相关。在情绪产生之后,还可以通过交感和副交感神经系统,即自主神经系统对人的内脏活动进行调节,从而改变内脏的活动从而改变个体的状态。从人类进化的角度来看,情感是一种对外部刺激趋利避害的反应,从而使个体远离危险进而更加适应环境,从这个角度来说,情感对人类的进化起到了很大的作用。

人的大脑会产生自发的电位,但是这些自发电位成分复杂且不规则。正常的自发脑电服人幅度一般处于几到几mV之间,引起的原因可能是心理活动,肌肉运动甚至是无意识的活动。为了分析这些成分,科学家根据包含的频率的不同将自发脑电分成不同的频率段,称为自发脑电的节律。这些节律包括Delta波(0-4Hz),Theta波(4-7Hz),Alpha波(8-12Hz),Beta波(12-30Hz)和Gamma波(30-100Hz)

对于情绪的模型,许多科学家都有着自己的定义,其中Kreibig将模型按照研究的水平分为三类:心理学水平的模型、大脑行为方面的模型以及周围神经系统方面的模型。其中最常见的三类情绪模型:情绪维度模型、基本情绪模型以及认知情绪模型。

模式识别技术(Pattern Recognition)是在机器学习的领域利用一些已知的样本,来对另外一些未知的样本进行预测的技术。它通过一些算法从已知的样本数据中提取一些特有的模式,这些模式亦被称为特征,再利用这些特征来训练分类器,从而对未知的样本进行分类。模式识别一般包括训练和测试两个过程。在训练过程中,在已知样本的基础上,利用统计学知识或先验知识提取其特征,再对这些特征进行评价,筛选具有区分度的特征来训练分类器。对新样本的分类可以用同样的方式进行处理,输出分类结果,完成对该样本的模式分类。在整个模式识别过程中,对特征的提取尤为重要,对于不同类型的样本,常常需要从不同的角度来进行描述和识别,与此同时,对分类器的设计也十分重要,常用的分类器包括线性分类器以及非线性分类器等。

简单的统计特征,包括均值统计特征、方差统计特征、最大值统计特征、一阶导数绝对平均值统计特征、二阶导数绝对平均值等,此外,小波系数特征、傅里叶变换特征、HOC特征、不规则度特征、Hjorth特征等,可以用来作为特征提取的方法。

还有学者提出了一种新的有效脑电特征 - 微分熵来表征与情绪状态相关的特征。将对称电极上的微分熵(DE)及其组合(微分不对称,DASM;合理不对称,RASM)与传统频域特征(能谱ES)进行比较。采用DE,DASM,RASM和ES等方法对实验所收集的脑电图数据的平均分类准确率分别为84.22%,80.96%,83.28%和76.56%。实验结果表明了DE比传统特征ES更适合情感识别。通过不同学者的实验表明,微分熵是反映人体警惕性变化的脑电特征中最准确、最稳定的。

分类器包括线性分类器与非线性分类器。其中线性分类器较为简单,它将原始的待分类特征投影至一维空间,利用简单的阈值来进行不同类别的判别。线性分类器包括三类:包括Bayes 线性判别分析(Bayes LDA),Fisher 准则线性判别分析(Fisher LDA)以及二次判别分析(Quadratic Discriminate Analysis)。Fisher判别分析主要是选择一个投影方向,将原信号投影到该方向后,使不同类之间距离尽量大,同类距离尽量小。

决策树(Dicision Tree)是一种类似树形的图形分类器,它主要利用已知的先练样本,构造利用简单阈值判别完成分类的树形结构。可以用C4.5算法来构造决策树,再利用阈值进行展开,得到分类结果。

K近邻分类器(KNN Classfier)是一种基于距离的模式识别分类器,它主要基于同一类型的样本在空间中的分布应该是较为集中的假设。首先定义一种距离函数,在空间中寻找与它距离最近的K个训练样本,通过获取这K个训练样本的标签进行分类。

支持向量机(Support Vector Machine)是一种基于统计模式识别理论的新的分类器,其建立在VC维理论与最小结构风险的基础上,它在分类中寻找一维投影达到的最大的边距,在解决小样本高维度分类问题中具有优势,被广泛应用于各种研究当中。

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。