基于EEG的情感識別

馮曉婷　丁月恒　顧錦

【摘 要】本文主要介紹基于腦電（EEG）的人類情感的識別。而本文介紹應用的方法就是利用MATLAB軟件通過支持向量機（SVM）的算法，將我們事先得到的一組數據進行處理和分類。最終得到我們所想要研究的高級人機交互的實驗結果。

【關鍵詞】情感識別；腦電信號；支持向量機

0 引言

腦電（ElectroEncephaloGram，EEG）也稱為腦電波圖，是測試人類大腦活動的一個及其有效的工具。

人腦在活動時，大腦皮層細胞所產生的微弱的生物電將隨著電平的變化而變化。本次實驗是采取放置在頭皮表面的電極來探測各點之間的電勢差的時域變化。由于腦電圖是大腦內部神經細胞電生理活動在大腦皮層的總體反映，所以腦電信號包含了大量的生理與心理信息[1]。

而人的情感十分復雜，從古至今人類的情感分類的認知也從最基本的喜、怒、哀、樂、悲、恐、驚發展到了二維的情感分類模型。德國的心理學家馮特（Wundt）更是提出了三維的情感學說，他認為沖動度、愉悅度和松弛度這三對情感元素構成了人類的情感狀態。

目前，基于腦電信號的情感識別研究已經頗具規模。研究目標之一是通過各種不同的方法來找到適合EEG情感識別的特征，然后優化模型，并提高該分類方法的準確度[2]。另一目標就是尋找出與情感識別活動最相關的EEG頻段和腦區，為基于腦電研究提供良好的生理基礎。而這兩點目標都是非常容易達到的，就目前而言已經有較多的學者突破了這兩發面的研究。所以本文采取基于EEG的情感識別分類方法算是一種較科學和成熟的研究方法。

就目前而言，在已有的分類算法包括傳統的統計模式識別、決策樹（Decision Tree）、人工神經網絡、支持向量機（SVM）等。其中SVM分類方法基于統計學習理論，在解決小樣本、非線性及高維度模式識別中表現出許多的優勢[3]。

1 SVM分類方法

1995年，由Corinna Cortes和Vapnik首先提出了支持向量機的概念。所謂的SVM方法，就是通過最大化分類邊界及最小化VC維，在保證經驗風險最小的基礎上最小化置信范圍，從而達到最小化結構風險的目的。

支持向量機將向量映射到一個更高維的空間里，在這個空間里建立有一個最大間隔超平面。再分開數據的超平面的兩邊建有兩個互相平行的超平面。如下列舉SVM算法的一般步驟：訓練集的設定→求解對偶問題的最優化→計算→構造線性最優分類超平面→得出決策函數。

2 設計方法

本實驗所處理的數據是引用的參考文獻里附帶的數據[4]。腳本文件如下：

load fisheriris

load（'s01.mat'）

fs=100； %自己設置采樣頻率

T = 1/fs； % Sample time

L = 40； % Length of signal

x1 =data（1：end，1） ；

NFFT = 2^nextpow2（L）；%轉化為2的基數倍

f=fs/2*linspace（0，1，NFFT/2）； %求出FFT轉化頻率

E_change1=fft（x1，NFFT）/L； %進行FFT變換

figure

plot（f，2*abs（E_change1（1：NFFT/2）），'.'）；

title（'腦電信號頻域圖1'）；

xlabel（'Frequre'）；ylabel（'頻譜值'）；

x2 =data（1：end，2） ；

E_change2=fft（x2，NFFT）/L； %進行FFT變換

figure

plot（f，2*abs（E_change2（1：NFFT/2）），'.'）；title（'腦電信號頻域圖2'）；

xlabel（'Frequre'）；ylabel（'頻譜值'）；

figure

Y1=2*abs（E_change1（1：NFFT/2））；

Y2=2*abs（E_change2（1：NFFT/2））；

Y3=f；

adata=[Y1，Y2]；

groups=species（40：71）；

svmStruct=svmtrain（adata，groups，'ShowPlot'，true）；

Group=svmclassify（svmStruct，adata，'Showplot'，true）；

3 實驗結果

上圖是本次實驗基于SVM的EEG情感識別的結果圖，其中圖3是通過SVM的訓練圖。圖4是基于SVM的分類圖。從圖中可以看出在超平面兩邊大致分出了我們事先定義的兩種不同的情感。

通過SVM對EEG數據進行分類，讓40名被測者在自然情感下的皮膚溫度、心電等生理信號，并提取了所采集的生理信號數據的相關特征，然后運用我們的SVM算法進行情緒識別，正確率可達71%。

4 結論

目前，情緒識別是人機交互的熱點話題。通過研究人類個情感狀態所表現出來的特征，并用計算機來進行情感識別，然后作出相應的處理，以此來使人機交互更加智能化。

而腦電信號是由大腦內部億萬神經元活動在大腦皮層的綜合反映，能直接反映大腦的活動情況。不同的思維狀態和情緒變化在不同的大腦皮層位置反映出不同的腦電信號。因此腦電信號含有豐富的有用信息。如何有效的處理腦電信息和提取信息，對于情感識別的研究具有重要的意義。

【參考文獻】

[1]吳乃玉.基于EEG信號的情緒分類研究[D].中央民族大學，2013.

[2]陳曾.腦電信號在情感識別中的研究[D].西南大學，2010.

[3]李立.基于腦電信號樣本熵的情感識別[D].太原理工大學，2014.

[4]Koelstra S，Muhl C，Soleymani M，et al.DEAP：A Database for Emotion Analysis；Using Physiological Signals[J].IEEE Transactions on Affective Computing，2011，3（1）：18-31.

[責任編輯：田吉捷]