第三章脑电信号的情绪分类算法

[35]。在选定数据集后，首先是根据DEAP的SAM数据确定标签，期间也尝试过以唤起（arousal）和文献中提到的scal值作为标签划分，但效果不够理想，因此最终以效价（valence）作二分类划定标签。在数据特征处理阶段，经过查阅资料后使用FFT变换，求取频段上的功率作为特征输入。在数据分类阶段，分类器选择了传统机器学习方法的支持向量机和随机森林算法，以及目前在计算机图像中表现优异的卷积神经网络，由于处理之后的脑电信号与计算机图像的数据尺寸不一致，因此重新设计了网络，将卷积核改为长方形，以适应处理之后的脑电信号尺寸。最终支持向量机，随机森林，卷积神经网络在测试集分别达到70.07%，82.65%，73.78%的准确率达到最初设定的要求在之后也通过伪标签技术实现了半监督学习，将卷积神经网络的准确率小幅度提升到74.33%。6.2基于脑电信号的情绪分析研究展望对于此次基于脑电信号的情绪分析的研究，结合了脑电研究领域与计算机前沿技术对情绪的分类。在此次跨学科领域的研究，对后续的学习奠定基础。目前情绪的脑电识别仍然是一个未成熟的技术，有许多具有挑战的问题，因此本文对该领域的发展，提出以下几点个人展望：设计更好的深度学习网络。本文的卷积神经网络是根据作为输入的脑电信号的特性设计的，虽然达到了预期效果，但大量相关研究可以将准确率提升到80%以上。因此，如果能设计出更好的神经网络或许能得到更好的网络性能。不同的情绪特征研究。本文的特征提取还较为粗糙单调，大多数研究均综合多种特征进行分类，因此下一步提取更多的脑电信号特征进行研究。在线分析。本文所使用的实验均为脑电数据的离线分析，机器学习和深度学习庞大的计算量导致计算时间过长，很难应用于在线分析。因此在下一步研究将情绪识别技术上升到在线分析，以实现可以实际应用的功能。这次的毕业设计是生物技术和计算机科学的学科交叉研究，学科交叉是学术思想的交汇与碰撞，实质上，是交叉思维方式的综合、系统辩证思维的体现。自然界有各种各样的现象，它们复杂且多样，如果我们仅仅从一种视角来研究事物即单一的学科思维，一定具有很大的局限性，因为我们只看到了它在一种学科的一个方面，不可能揭示其本质，更不可能深刻地意识其全部规律。因此，惟有从多个视角，采取跨学科思维的方式，进行交叉学科的研究，才可能形成完整体系的科学认识。在跨学科的综合研究中，其他相关科研领域的方法论，可能会给本身原有的学科带来难以想象的发展机会，甚至打开全新的研究方向。跨学科交叉研究是取得重大科学发现和产生引领性原创成果重大突破的重要方式，有很多有价值的研究主题都落在传统的学科分类之间。跨学科的知识和研究也让我们想起了知识的统一，和最终我们所追求的真理。在获得跨学科思维之后，这些跨学科的研究者比单一学科的研究者会以一种更新奇的观点来对待自己的知识，如同在新大陆上遨游。本次的毕业设计中，所使用脑电信号属于生物技术范畴，最初用于医学领域，所使用的分类技术为卷积神经网络，而神经网络的构建灵感有来自于生物的脑细胞，这一交叉领域的研究，不仅是我了解到脑电信号领域的研究现状，同时也巩固了我的计算机知识。

参考文献PicardRW,VyzasE,HealeyJ.Towardmachineemotionalintelligence:Analysisofaffectivephysiologicalstate[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2001,23(10):1175-1191.GunesH,SchullerB,PanticM,etal.Emotionrepresentation,analysisandsynthesisincontinuousspace:Asurvey[C]//FaceandGesture2011.IEEE,2011:827-834.NiemicC.Studiesofemotion:Atheoreticalandempiricalreviewofpsychophysiologicalstudiesofemotion.[J].2004.沈敏.脑-机接口技术综述[D].2007:147-150.KumarN,KhaundK,HazarikaSM.Bispectralanalysisofeegforemotionrecognition[J].ProcediaComputerScience,2016,84:31-35.SamaraA,MenezesMLR,GalwayL.Featureextractionforemotionrecognitionandmodellingusingneurophysiologicaldata[C]//201615thInternationalConferenceonUbiquitousComputingandCommunicationsand2016InternationalSymposiumonCyberspaceandSecurity(IUCC-CSS).2016.LiuJ,MengH,NandiA,etal.Emotiondetectionfromeegrecordings[C]//201612thInternationalConferenceonNaturalComputation,FuzzySystemsandKnowledgeDiscovery(ICNC-FSKD).IEEE,2016:1722-1727.TripathiS,AcharyaS,SharmaRD,etal.Usingdeepandconvolutionalneuralnetworksforaccurateemotionclassificationondeapdataset.[C]//Twenty-NinthIAAIConfer-ence.2017.LiX,SongD,ZhangP,etal.Emotionrecognitionfrommulti-channeleegdatathroughconvolutionalrecurrentneuralnetwork[C]//2016IEEEInternationalConferenceonBioinformaticsandBiomedicine(BIBM).IEEE,2016:352-359.XuT,ZhouY,HouZ,etal.Decodebrainsystem:Adynamicadaptiveconvolutionalquorumvotingapproachforvariable-lengtheegdata[J].Complexity,2020,2020.LongJ,ShelhamerE,DarrellT.Fullyconvolutionalnetworksforsemanticsegmenta-tion[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecogni-tion.2015:3431-3440.WilliamJ.Ii.—whatisanemotion?[J].Mind,1884(34):34.Walter,B.,Cannon.Thejames-langetheoryofemotions:Acriticalexaminationandanalternativetheory[J].AmericanJournalofPsychology,1987.EkmanP,LevensonRW,FriesenWV.Autonomicnervoussystemactivitydistin-guishesamongemotions[J].science,1983,221(4616):1208-1210.RussellJA.Acircumplexmodelofaffect.[J].Journalofpersonalityandsocialpsy-chology,1980,39(6):1161.RussellJA,MehrabianA.Evidenceforathree-factortheoryofemotions[J].JournalofresearchinPersonality,1977,11(3):273-294.ZhengWL,LuBL.Investigatingcriticalfrequencybandsandchannelsforeeg-basedemotionrecognitionwithdeepneuralnetworks[J].IEEETransactionsonAutonomousMentalDevelopment,2015,7(3):162-175.ChanelG,KierkelsJJ,SoleymaniM,etal.Short-termemotionassessmentinarecallparadigm[J].InternationalJournalofHuman-ComputerStudies,2009,67(8):607-627LiM,LuBL.Emotionclassificationbasedongamma-bandeeg[C]//2009AnnualInternationalConferenceoftheIEEEEngineeringinmedicineandbiologysociety.IEEE,2009:1223-1226.SchmidtLA,TrainorLJ.Frontalbrainelectricalactivity(eeg)distinguishesvalenceandintensityofmusicalemotions[J].Cognition&Emotion,2001,15(4):487-500.黄柠檬.基于EEG的情绪识别[D].华南理工大学,2016.TowleVL,BolañosJ,SuarezD,etal.Thespatiallocationofeegelectrodes:locatingthebest-fittingsphererelativetocorticalanatomy[J].Electroencephalographyandclinicalneurophysiology,1993,86(1):1-6.周志华.机器学习[M].清华大学出版社,2016.LeCunY,BengioY,HintonG.Deeplearning[J].nature,2015,521(7553):436-444.BengioY,CourvilleA,VincentP.Representationlearning:Areviewandnewper-spectives[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2013,35(8):1798-1828.RiesenhuberM,PoggioT.Hierarchicalmodelsofobjectrecognitionincortex[J].Natureneuroscience,1999,2(11):1019-1025.LeCunY,BottouL,BengioY,etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,1998,86(11):2278-2324.KrizhevskyA,SutskeverI,HintonGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C]//Advancesinneuralinformationprocessingsystems.2012:1097-1105.SimonyanK,ZissermanA.Verydeepconvolutionalnetworksforlarge-scaleimagerecognition[J].arXivpreprintarXiv:1409.1556,2014.LeCunY,JackelL,BottouL,etal.Comparisonoflearningalgorithmsforhandwrittendigitrecognition[C]//Internationalconferenceonartificialneuralnetworks:volume60.Perth,Australia,1995:53-60.SzegedyC,VanhouckeV,IoffeS,etal.Rethinkingtheinceptionarchitectureforcom-putervision[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:2818-2826.LeeDH.Pseudo-label:Thesimpleandefficientsemi-supervisedlearningmethodfordeepneuralnetworks[C]//Workshoponchallengesinrepresentationlearning,ICML:volume3.2013:2.GrandvaletY,BengioY.Semi-supervisedlearningbyentropyminimization[C]//Advancesinneuralinformationprocessingsystems.2005:529-536.SoleymaniM.Amultimodaldatabaseforaffectrecognitionandimplicittagging[J].IEEETransactionsonAffectiveComputing,2012,3(1):p.42t-55.KoelstraS.Deap:adatabaseforemotionanalysisusingphysiologicalsignals[J].IEEETransactionsonAffectiveComputing,2011,3(1):18-31.IoffeS,SzegedyC.Batchnormalization:Acceleratingdeepnetworktrainingbyreduc-inginternalcovariateshift[J].arXivpreprintarXiv:1502.03167,2015.E.D.Übeyli,Statisticsoverfeatures:EEGsignalsanalysis,ComputersinBiologyandMedicine,vol.39,no.8,pp.733–741,2009.M.R.N.Kousarrizi,A.A.Ghanbari,M.Teshnehlab,etal,FeatureextractionandclassificationofEEGsignalsusingwavelettransform,SVMandartificialneuralnetworksforbraincomputerinterfaces,inProceedingsoftheInternationalJointConferenceonBioinformatics,SystemsBiologyandIntelligentComputing(IJCBS'09),pp.352–355,2009.D.Cvetkovic,E.D.Übeyli,andI.Cosic,WavelettransformfeatureextractionfromhumanPPG,ECG,andEEGsignalresponsestoELFPEMFexposures:apilotstudy,DigitalSignalProcessing,vol.18,no.5,pp.861–874,2008.M.UnserandA.Aldroubi,Areviewofwaveletsinbiomedicalapplications,

ProceedingsoftheIEEE,vol.84,no.4,pp.626–638,1996.A.Subasi,M.K.Kiymik,A.Alkan,andE.Koklukaya,NeuralnetworkclassificationofEEGsignalsbyusingARwithMLEpreprocessingforepilepticseizuredetection,MathematicalandComputationalApplications,vol.10,no.1,pp.57–70,2005.AliM,MosaAH,MachotFA,etal.EEG-basedemotionrecognitionapproachfore-healthcareapplications[C]//EighthIEEEInternationalConferenceonUbiquitous&FutureNetworks.IEEE,2016.

致谢天下无不散之筵席，虽然因为疫情原因，大四的时间很多都囿于家乡，但是时间仍然悄悄地流逝着，大学四年的学习生活也慢慢步入尾声，回忆过去几年，不仅让我学到了可以终身受益的知识，更让我结识了诸多良师益友，我的心里充满了留恋和感谢。借此时此刻感恩我们曾经度过的岁月，感谢曾经帮助过我们的人。这篇毕业论文得以顺利完成，需要感谢的人实在是太多了，首先特别感谢的是老师，作为我的毕业指导老师，徐老师以严谨的治学态度、开阔的思维以及循循善诱的指导不断地指引着我的方向，让我在大四这样一个人生分岔口有了自己的方向。徐老师总是在我们的学习研究过程中为我们理清思路，给我们指引方向。在论文不断完善的过程中，徐老师也时不时的为我们进行提点，帮我们规避了不少的“低级”错误。论文从开题到最终的结题，每一步都得益于徐老师的批评和建议。徐老师严谨的治学态度也是我日后学习的榜样。再次对您表示感谢，师恩伟大，无以回报，在研究生阶段，我也会继续砥砺前行，在科研的道路上继续前进。衷心感谢全院的老师在这四年来对我的教导。尽管他们研究内容不尽相同，教授不同的课程，但他们都在各自擅长的领域为我们提供了不少宝贵的建议和指导，每一位老师的悉心教导都是我完成这篇论文的基础。同时老师们在各个其他领域的见解与知识也让我有更全局的视野和想法，能不局限在一个领域，而纵观全局的变化。感谢毕设小组的各位同学，每个人都用极大的热情帮助了我，紧张却轻松的学习环境中，我们都在共同进步。特别是同学，经常与他们交流和讨论。不仅在学业上互相学习，更是能成为生活上的良师益友。虽然我们的实验内容并不完全相同，但是你们也是在尽力的帮我解惑，再次表示感谢。同时也要感谢大学期间的辅导员老师和老师以及我们的班主任老师，在我们大学期间不断地为我们解决生活上学习上的难题；同时还应该感谢我的学院——软件学院，给了我更多的选择方向，也给了我们更多的可能；感谢我的班级，我的舍友，我的好朋友，团结友爱的集体总是能让人产生家的感觉，那将是我大学生活中的一面坚强的后盾，祝愿大家都能在研究生生活和工作岗位上继续成长。最后还应该感谢一下我的父母、家人，我永远都不会忘记你们的良苦用心和一如既往的支持与鼓励。他们每次深夜的问候让我备受感动，也是他们在我懒散或懦弱的时候将我叫醒。经过四年的磨砺，我更明白了作为当代的大学生肩上所背负的责任与义务，未