表情驅動下腦電信號的建模仿真及分類識別

張小棟,郭晉,李睿,陸竹風

(1.西安交通大學現代設計及轉子軸承系統教育部重點實驗室,710049,西安;2.西安交通大學機械工程學院,710049,西安;3.西安測繪總站裝備技術室,710054,西安)

?

表情驅動下腦電信號的建模仿真及分類識別

張小棟1,2,郭晉2,3,李睿1,2,陸竹風2

(1.西安交通大學現代設計及轉子軸承系統教育部重點實驗室,710049,西安;2.西安交通大學機械工程學院,710049,西安;3.西安測繪總站裝備技術室,710054,西安)

針對自發型腦電信號識別率低、個體差異度大等問題,提出了一種新的基于表情驅動腦電信號的腦機接口方式,并進行了建模仿真及實驗驗證。利用神經元集群模型對表情驅動腦電信號進行機理建模與仿真分析,得到自發表情的相關腦區及表情驅動腦電信號的頻率分布特性;提出了一種基于小波變換和人工神經網絡模型映射的表情驅動下腦電信號分析識別方法,有效提高了表情驅動下腦電信號的識別率。從神經生理學角度驗證了表情驅動腦電信號的特征來源是受大腦前額葉皮層和邊緣系統相互協調共同控制的,并通過實驗驗證了所提腦電信號分類識別算法切實有效,其最高分類準確率可達85%。

表情驅動;腦電信號;機理建模;小波變換;神經網絡

自1924年第一次在人腦中檢測到有規律的電活動開始,腦-機接口(brain-computer interface, BCI)技術成為了各國學者的研究熱點。然而,目前關于腦-機接口的應用研究,都不能達到快速、靈活、準確的控制要求,只能實現一些簡單的功能和進行一些基礎性的研究工作;對腦電信號的識別利用,都只是從信號分析的層面入手,很少有人從大腦的生理機能角度出發,深入研究大腦不同區域在活動狀態下的機理特性,通過構建腦電信號(electroencephalogram, EEG)的機理模型提高其分類識別的效果[1]。

本文提出了一種基于表情驅動下的腦電信號分類識別方法。在表情驅動下的腦電信號采集過程中,受試者完成不同的表情動作,例如提眉、皺眉、撇嘴等,即可采集相應動作下的腦電信號。表情動作對受試者要求低,而且在人們的日常生活中經常利用不同表情傳遞信息,因此具有非常廣泛的適用性。

本文工作是針對表情驅動下腦-機接口范式的一項基礎性探索研究,即通過對表情驅動下的腦電信號進行機理建模與仿真分析,得知表情驅動下腦電信號產生的相關大腦區域及頻率分布特性。以仿真分析結果為指導,采集相應大腦區域的腦電信號,同時利用小波特征提取方法和人工神經網絡識別算法實現對腦電信號特征集中的頻率段信息進行分類識別。

1 表情驅動下腦電信號的建模仿真

1.1 相關機理分析

2010年Price等通過對情緒及表情相關神經環路的研究認為,表情與紋狀體和海馬回等相關區域為核心的邊緣系統有關,隨著神經解剖學研究的進一步探索發現,表情的表達與大腦邊緣系統和前額葉皮質及其他一些環路相關,尤其與內側前額皮質、杏仁核、內側紋狀體、內側丘腦、下丘腦及腦干的一些部分關系最緊密[2],如圖1所示。

圖1 大腦皮質層及邊緣系統結構圖

另外,研究者通過分析正常腦電信號頻率分類得出,θ波與α波是一種具有高度暗示性的狀態。當人做出不同表情動作時,通常暗示大腦處于某種精神狀態,例如提眉時瞳孔放大,更多視覺信息進入眼部供大腦快速處理分析,皺眉時人的視覺往往會將焦點聚集到某處,使人的注意力集中。以上研究表明,表情的加工與產生主要是由大腦內一個分布式神經網絡所控制,其中前額葉皮質和邊緣系統(杏仁核、海馬回、紋狀體等)主要負責協調和控制表情,而θ波和α波則與表情動作產生時的暗示性狀態有關。因此,可以對大腦前額葉皮質層和邊緣系統這兩個區域以及θ波和α波這兩個頻段進行建模仿真分析,以驗證相關神經生理學研究的推斷,并對表情驅動下腦電信號的特征提取及分類識別研究提供依據。

1.2 表情驅動下腦電信號建模仿真

目前人們主要研究的腦神經模型有兩類,一類是從微觀角度出發,關注每個神經元活動的模型,例如Hodgkin-Huxley模型[3]、Chay模型[4]、Traub模型[5]等。顯然,僅通過分析單個神經元的活動對理解大腦的復雜行為是遠遠不夠的。另一類模型是從宏觀角度出發的集總參數模型,例如神經元集群模型(neural mass model,NMM)[6],其思想是“平均區域近似”原理,就是大腦內部具有相似功能的同一區域具有相同的集總參數。NMM具有非常明顯的生理意義,神經元群之間的耦合作用可以反映不同腦區的相互作用,可以從宏觀角度上仿真大尺度的腦電信號。

1.2.1 基本神經元集群的模型建立 如圖2a所示,一個基本神經元群由興奮性和抑制性兩個子細胞群構成,它們相互作用,產生神經振蕩。其中:粗框內的部分表示子群1,主要由錐體細胞組成,負責神經沖動的傳出;粗框外的部分表示子群2,主要包括其他非錐體細胞,負責神經沖動的增益和反饋,例如藍細胞和星形細胞。

興奮性和抑制性線性變換函數的作用是將突觸前膜動作電位平均脈沖密度轉變成突觸后膜的興奮或抑制膜電壓,其單位沖激響應分別為

he(t)=u(t)He/τete-t/τe

(1)

hi(t)=u(t)Hi/τite-t/τi

(2)

(a)基本神經元集群模型框圖

(b)多動態基本神經元集群模型

(c)雙區域耦合神經元集群模型圖2 神經元集群模型

式中:u(t)為Heaviside函數;參數He和Hi為興奮性和抑制性神經元突觸增益;τe和τi分別為興奮性和抑制性神經元樹突平均延時常數與細胞膜平均延時常數的和。線性函數he(t)和hi(t)可由如下形式的一階常微分方程表示

(3)

式中:G代表興奮和抑制條件下的增益參數He和Hi;g代表興奮和抑制條件下的延時參數τe、τi;x(t)為線性函數的輸入。對于子群1,x(t)=S(y1(t)-y2(t)),對于子群2中的興奮線性函數he(t),x(t)=p(t)+C2S(C1y0(t)),對于子群2中的抑制線性函數hi(t),x(t)=C4S(C3y0(t))。其中,錐體細胞群和其他非錐體細胞群之間的平均連接常數用C1、C2、C3、C4表示。z(t)為線性函數的輸出,在圖2a中,分別由y0、y1、y2表示。

靜態非線性函數的作用是將平均膜電壓轉換成動作電位的平均發放率,并作為線性函數he(t)和hi(t)的輸入

S(v)=2e0/(1+er(v0-v))

(4)

式中:2e0為最大發放率;v0為相對于發放率e0的突觸后膜電位;r表示S(v)函數的彎曲程度;v表示突觸前膜電壓。

子群1接收來自子群2的興奮和抑制的反饋信號。子群1與子群2的建模思想相同,但子群2只有興奮性信號輸入,所以只需要一個興奮性線性函數。模型仿真時來自大腦其他不定區域的信號由高斯信號p(t)表示。

綜上所述,基本神經元集群模型可由以下微分方程組表示

(5)

式中:y3、y4、y5分別為線性函數輸出量y0、y1、y2的一階導數。基本神經元集群模型的輸出為興奮和抑制性細胞膜后電位的差,即y(t)=y1(t)-y2(t)。

按照不同頻率特性,腦電波可以分為δ、θ、α、β和γ波5個頻段。考慮到δ波僅存在于人的深度睡眠中,γ波段屬于腦電波中的高頻段,其作用尚在研究中,故在多動態基礎神經元集群模型中選擇腦電波的θ、α和β波頻段建立模型。表1給出了產生θ、α和β波特征波形的參數取值[7]。

通過調整線性轉換函數h(t)中的參數He、τe和Hi、τi,即可調整基本神經元集群模型內部的動態平衡,從而仿真多種節律腦電信號。圖3為基本神經元集群模型模擬不同頻率的窄帶信號,通過調節興奮和抑制性的突觸增益和延時時間常數,可以模擬大腦產生近似的θ、α和β波。

1.2.2 多動態神經元集群的模型建立 利用基本神經元集群模型模擬單一的節律波只能反映腦電信號的組成結構,還不能達到模擬真實采集得到的腦電信號的目標,因此還需要建立多動態基本神經元集群模型,其結構如圖2b所示。

表1 模型生理學參數的典型值

(a)θ波仿真節律波與歸一化頻譜

(b)α波仿真節律波與歸一化頻譜

(c)β波仿真節律波與歸一化頻譜圖3 仿真θ、α和β節律波及歸一化頻譜

1.2.3 表情驅動腦電信號的產生機理與建模仿真 由前述表情的加工和產生機理可知,大腦用于控制表情的區域集中位于前額葉皮質層和邊緣系統,因此本文利用神經集群模型的多動態特性對這兩個區域進行建模仿真,并試圖驗證不同表情下腦電信號包含的不同頻帶的分布特性,如圖2c所示。

令區域1和區域2為兩個多動態神經元集群,分別表示前額葉皮層和邊緣系統,每個區域包括興奮性和抑制性細胞子群,每個子群由3個線性轉換函數h(t)分別表示θ、α和β節律波,區域1與區域2之間的耦合強度分別用qkj表示,其中k,j∈(1,2)且k≠j,同時每個區域還接收來自其他不確定區域的信號,用p(t)表示。

兩個區域間傳遞的耦合信號設為Gkj,可表示為

(6)

式(6)中R(x)=x-mean(x)為求均值,用于保持各個區域信號之間的平衡。雙區域耦合神經元集群模型的微分方程如下式所示

(7)

由于缺少相關的神經解剖學實驗經驗及研究資料,本文通過實驗反推法確定權重系數W。根據表情驅動下腦電信號的產生機理,采集受試者在不同表情驅動下的前額葉皮質區域FC5(左)、FC6(右)及邊緣系統區域的F7(左)和F8(右)4通道腦電信號并進行快速傅里葉變換,得到其功率譜密度函數,其后將功率譜密度函數分成5個子頻帶,分別為0～4 Hz、4～8 Hz、8～16 Hz,16～32 Hz,32～64 Hz。

對腦電信號的5個子頻帶求對數頻帶能量Ei,即可得每個子頻帶在總頻帶中的能量分布

(8)

(9)

表2為所得的4～8 Hz、8～16 Hz及16～32 Hz頻帶能量分布比值。設定提眉動作仿真模型中W=[0.13,0.60,0.19],右撇嘴仿真模型中W=[0.19,0.40,0.26],即可得到真實表情動作下腦電信號的擬合仿真信號,如圖4所示。

表2 表情刺激下腦電信號不同頻帶分布

(a)提眉仿真信號和歸一化頻譜圖

(b)提眉真實信號和歸一化頻譜圖

(c)右撇嘴仿真信號和歸一化頻譜圖

(d)右撇嘴真實信號和歸一化頻譜圖圖4 F7通道下提眉與右撇嘴表情驅動產生的腦電信號與相應的仿真結果對比圖

由圖4中的仿真結果可知,提眉動作下的腦電信號能量主要集中在低頻10 Hz以內,而右撇嘴動作下的腦電信號能量分布除了以低頻部分為主以外,還夾雜著一些中頻和高頻成分,這說明提眉動作和右撇嘴動作下的腦電信號頻域能量主要集中在低頻部分即θ波,以及一部分中頻部分即α波,而δ、β和γ波段中的信息較少。通過前額葉皮層區和邊緣系統的耦合建模,說明了人對表情的控制是通過這兩個區域相互協調來進行的。

仿真結果驗證了之前關于表情驅動下腦電信號相關神經生理學的機理分析結論,因此通過綜合考慮,本文將在前額葉皮層處和大腦邊緣系統附近采集腦電信號,并對表情驅動下腦電信號的θ和α波兩個子頻帶進行特征提取和模式識別工作。

2 基于小波變換的表情驅動腦電信號多維特征提取研究

由于表情驅動下的腦電信號是一種非平穩、非線性、時變的信號,單純使用時域或頻域分析方法都無法完整地展示腦電信號的特征,而小波分析作為應用最廣泛的時頻域分析方法,具有多尺度、多分辨率分析的優勢[9]。本文采用基于D-6小波基的小波變換Mallat算法提取表情驅動下腦電信號的特征。

本文研究中腦電信號的采樣頻率選為128 Hz,有效頻率范圍為0～64 Hz。進行4級小波分解后,各分解頻率范圍分別與δ、θ、α、β和γ波的頻率范圍基本相同。在實際應用中,小波分解后構成的特征量往往取各頻段的小波系數、小波系數的統計信息或小波系數的模極大值等。本文研究中采用小波系數模均值作為特征量。

根據前文中對表情驅動下腦電信號建模仿真可知,表情驅動下腦電信號的能量分布主要集中于θ與α波內。因此,對前額葉皮層附近和邊緣系統附近的F7、FC5、FC6和F8這4個通道的θ和α波兩個頻帶的數據進行特征提取,由模均值組成1×8的特征向量如下

Xk=[xk1xk2xk3xk4xk5xk6xk8xk8]

(10)

式中:xk1～xk4分別為4個通道腦電信號中的θ波小波系數模均值;xk5～xk8分別為4個通道腦電信號中的α波小波系數模均值。

將特征向量Xk歸一化處理后,輸入神經網絡系統中進行模式識別。本文采用的歸一化方法為

x′=(x-xmin)/(xmax-xmin)

(11)

那么,經過歸一化后的小波特征矩陣為

Tk=[tk1tk2tk3tk4tk5tk6tk7tk8]

(12)

本文在實驗中每種表情選取10組特征數據,組成8×40的特征矩陣,作為神經網絡模式識別系統的輸入,如圖5所示。

(a)提眉動作

(b)皺眉動作

(c)左撇嘴動作

(d)右撇嘴動作圖5 4種表情特征的小波系數模均值

由圖5可以看出,每種表情在重復實驗的情況下特征變化比較平穩,4種表情的10次樣本重復效果比較理想,盡管由于實驗過程中受試者的疲勞反應、精神狀態不同導致每次動作下的特征值略有不同,但是每次樣本間的差異并不大,其波動范圍均在0～0.1之間,不會對模式識別結果造成太大影響。因此可以說明,通過對F7、FC5、FC6和F8這4個通道的θ和α波兩個頻帶進行4級小波變換,提取的表情驅動下的腦電信號特征值具有一定的可分性,可以作為模式識別網絡的輸入量進行分類。

3 基于人工神經網絡的表情驅動腦電信號模式識別方法研究

人工神經網絡算法具有較強的容錯能力、允許對問題的了解較少、可實現特征空間中較復雜的劃分等優勢。誤差后向傳播神經網絡(back-propagation neural network,BPNN)是目前人工神經網絡中研究最深入、應用最廣泛的一種模型[10]。因此,本文將研究其在表情驅動腦電信號模式識別中的具體應用。

在本研究中,從小波變換得出的特征量為8個元素,因此輸入層為8個節點。目標為實現4種表情動作(提眉、皺眉、左撇嘴、右撇嘴)腦電信號的模式識別,因此在輸出層只需y1和y2這2個神經元即可滿足需求。經過訓練期望得到的輸出層目標結果與相應的表情動作見表3。

表3 輸出層目標結果及相應的表情動作

一般而言,一個3層的BP網絡可以完成任意從n維到m維的映射。本研究網絡屬于中小型結構,所以優先選用一個隱含層。隱節點的個數選擇在理論上還沒有一個明確的規定,目前大多以經驗為主,本文參考公式為

h=(N+M)0.5+a

(13)

式中:M為輸出單元數;N為輸入單元數;a為1～10之間的常數。在保證高穩定識別率的前提下,遵循盡量采用較少的隱節點的原則,最終確定采用8-12-2的BPNN結構用于表情驅動EEG的模式識別,其結果如圖6所示,其中圖6a、圖6b分別為神經網絡輸出層y1、y2的網絡輸出與目標結果的對比結果。

(a)y1的識別結果

(b)y2的識別結果圖6 BP神經網絡訓練結果

4 實驗研究與討論

本實驗采用由美國加州舊金山的神經科技公司Emotiv Systems開發研制的Emotiv-Epoc腦電采集系統作為腦電信號采集設備。采樣頻率為128 Hz,通道數為16。Emotive腦電帽與PC終端通過藍牙傳輸數據,表情驅動腦電信號分類實驗平臺如圖7所示。

圖7 表情驅動腦電信號分類實驗場景圖

受試者為3名在校男生,年齡均在22～30歲,均無神經疾病史。本實驗研究對象為4種不同的面部表情,即提眉、皺眉、左撇嘴、右撇嘴。受試者在實驗過程中要完成這4種表情動作,如圖8所示。

圖8 4種不同表情動作

實驗過程中,室內光線勿強,讓受試者背靠椅背,身體盡量放松,安靜、不眨眼、不轉動眼球、勿入睡,只做規定的4種表情動作,身體其他部位盡量不活動。實驗時間不超過30 min。實驗中應確保各種表情動作具有良好的一致性和可重復性。

為了分析表情驅動腦電信號對不同受試者的差異性,本文基于上述表情驅動腦電信號的產生機理分析,選取大腦皮層中前額葉皮質區域和邊緣系統區域的FC5、FC6、F7和F8這4個通道的腦電信號作為分析對象。實驗中要求受試者每種表情重復5次為一組,4種表情分別做20組,即每名受試者采集80組EEG數據。將80組數據中的60組作為訓練樣本,20組作為測試樣本。表4為3名受試者在3次實驗中的單次最高離線識別率,其中最高離線識別率為受試者3的85%。

表4 不同表情的單次最高離線識別率

通過實驗結果可知,基于表情驅動下的腦電信號的特征提取與模式識別方法是切實可行的。但是,由于腦電信號的個體差異較大,因此有必要對不同受試者與智能假肢的人機智能系統的協同策略與方法展開研究,探討人與假肢在該系統中各自的職能與其交互工作過程的流程原理,以提高該人機系統的執行效率、安全性和魯棒性,進而提高整個腦控假手系統的精密控制性能。

5 結 論

綜上所述,本文通過表情驅動下腦電信號的建模仿真與分類識別研究,可以得出以下3個主要結論:

(1)利用神經集群模型建立的表情驅動腦電信號仿真模型,能夠從神經生理學角度驗證表情驅動下腦電信號的產生和控制是在大腦前額葉皮層和邊緣系統相互協調共同作用下完成的,對分析并利用復雜腦電信號中蘊含的特征信息提供了依據;

(2)針對表情驅動腦電信號提出的小波變換特征提取方法,能從多個不同尺度空間更為全面地反映原始腦電信號的特征,從而使提取的特征量具有良好的可分性;

(3)針對表情驅動腦電信號分類識別問題提出的BP神經網絡模式識別策略,能夠將不同表情下的腦電信號進行識別分類,最高離線識別率可達85%。

但是,目前腦電信號采集系統對硬件的精確度要求較高,一般在腦電信號采集過程中會產生少量偽差,需要在數據預處理階段進行必要的識別并剔除,否則會在一定程度上影響識別的效果。加之腦電信號的個體差異較大,因此有必要研究適應具體受試者的多維特征選擇算法,從而提高不同表情驅動下腦電信號模式識別系統的針對性和泛化性。

另外,對表情驅動腦電信號的仿真建模,僅定性地分析了腦電波中包含的頻率成分,其結論是由真實采集到的腦電信號反推而來的,能夠在一定程度上幫助人們理解表情驅動下腦電信號的產生機理,要想得到準確的腦電信號機理模型,還需要神經解剖學、生理學、醫學等領域的進一步協同研究與發展。

[1] 張小棟, 李睿, 李耀楠. 腦控技術的研究與展望 [J]. 振動、測試與診斷, 2014, 34(2): 205-211. ZHANG Xiaodong, LI Rui, LI Yaonan. Research and forecast on brain-computer interface [J]. Journal of Vibration, Measurement and Diagnosis, 2014, 34(2): 205-211.

[2] PRICE J L, DREVETS W C. Neurocircuitry of mood disorders [J]. Neuropsychopharmacology, 2010, 35(1): 192-216.

[3] HODGKIN A L, HUXLEY A F. A quantitative description of membrane current and its application to conduction and excitation in nerve [J]. The Journal of Physiology, 1952, 117(4): 500-544.

[4] CHAY T R. Chaos in a three-variable model of an excitable cell [J]. Physica: D Nonlinear Phenomena, 1985, 16(2): 233-242.

[5] TRAUB R D, CONTRERAS D, CUNNINGHAM M O, et al. Single-column thalamocortical network model exhibiting gamma oscillations, sleep spindles, and epileptogenic bursts [J]. Journal of Neurophysiology, 2010, 93(4): 2194-2232.

[6] LOPES F H, HOEKS A, SMITS H, et al. Model of brain rhythmic activity [J]. Kybernetik, 1974, 15(1): 27-37.

[7] WENDLING F, BELLANGER J J, BARTOLOMEI F, et al. Relevance of nonlinear lumped-parameter models in the analysis of depth-EEG epileptic signals [J]. Biological Cybernetics, 2000, 83: 367-378.

[8] JANSEN B H, RIT V G. Electroencephalogram and visual evoked potential generation in a mathematical model of coupled cortical columns [J]. Biological Cybernetics, 1995, 73(4): 357-366.

[9] 王登, 苗奪謙, 王睿智. 一種新的基于小波包分解的EEG特征抽取與識別方法研究 [J]. 電子學報, 2013, 41(1): 193-198. WANG Deng, MIAO Duoqian, WANG Ruizhi. A new method of EEG classification with feature extraction based on wavelet packet decomposition [J]. Acta Electronica Sinica, 2013, 41(1): 193-198.

[10]張宇博, 舒紅平. 改進的BP神經網絡算法及其應用 [J]. 網絡安全技術與應用, 2007, 27(12): 172-175. ZHANG Yubo, SHU Hongping. Optimized BP neural networks algorithm and its application [J]. Computer Simulation, 2015, 27(12): 172-175.

[本刊相關文獻鏈接]

劉蓮艾,徐進,徐燕芝,等.早期血管性癡呆患者的效應連接研究.2016,50(3):146-150.[doi:10.7652/xjtuxb201603023]

徐光華,張鋒,謝俊,等.穩態視覺誘發電位的腦機接口范式及其信號處理方法研究.2015,49(6):1-7.[doi:10.7652/xjtuxb201506001]

鄭楊,王剛,徐進,等.大腦皮層-肌肉交互作用與注意力關系的實驗研究.2014,48(6):134-138.[doi:10.7652/xjtuxb2014 06023]

董淵哲,李曉玲,姚磊,等.面向神經工效學的觸控顯示系統人機交互評價方法.2014,48(5):123-128.[doi:10.7652/xjtuxb201405022]

趙夢琰,李擴,鮑剛,等.利用小波包的腦電源定位算法仿真研究.2013,47(12):130-136.[doi:10.7652/xjtuxb201312 022]

盛恒松,田洪君,鄭崇勛,等.去除腦電信號眨眼偽差的獨立成分時域相關算法.2013,47(10):127-131.[doi:10.7652/xjtuxb201310022]

婁武濤,徐進,盛恒松,等.血管性癡呆患者腦電信號的多通道線性描述符特征研究.2011,45(4):121-125.[doi:10.7652/xjtuxb201104022]

高軍峰,王沛,鄭崇勛.基于P300和機器學習的測謊方法研究.2010,44(10):120-124.[doi:10.7652/xjtuxb201010023]

趙敏,鄭崇勛,趙春臨,等.利用Fisher判別式和事件相關電位的心理意識真實性識別.2010,44(8):132-136.[doi:10.7652/xjtuxb201008026]

高軍峰,鄭崇勛,王沛.腦電信號中肌電偽差的實時去除方法研究.2010,44(4):114-118.[doi:10.7652/xjtuxb201004024]

(編輯 武紅江)

A Simulation Model and Pattern Recognition Method of Electroencephalogram Driven by Expression

ZHANG Xiaodong1,2,GUO Jin2,3,LI Rui1,2,LU Zhufeng2

(1. Key Laboratory of Education Ministry for Modern Design and Rotor-Bearing System, Xi’an Jiaotong University,Xi’an 710049, China; 2. School of Mechanical Engineering, Xi’an Jiaotong University, Xi’an 710049, China;3. Equipment and Technique Department, Xi’an Surveying and Mapping Station, Xi’an 710054, China)

An expression driven brain-computer interface system is proposed to solve the low recognition rate and huge individual differences of spontaneous electroencephalogram (EEG) signal, and simulation and experimental verification are conducted. A neural mass model is used in mechanism modeling and simulation of expressions driven EEG signal, and the results show the related brain areas of facial expression and the frequency distribution characteristics of expression driven EEG signals. A classification and recognition method based on the wavelet transform and an artificial neural network is put forward, to improve the recognition rate of expression driven EEG signal. This research elaborates that it is the prefrontal cortex and the limbic system to cooperate on the generation and control of expression driven EEG signals, and verifies the feasibility of the classification and recognition method whose highest off recognition rate is 85%.

expression control; electroencephalogram; mechanism modeling; wavelet transform; artificial neural network

2016-10-15。 作者簡介:張小棟(1967—),男,教授,博士生導師。 基金項目:國家自然科學基金資助項目(51275388)。

時間:2016-04-15

10.7652/xjtuxb201606001

TP911.7

A

0253-987X(2016)06-0001-08

網絡出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20160415.1612.010.html