本發(fā)明涉及到數(shù)字信號處理技術(shù)領(lǐng)域，具體地說，是一種基于腦電波分析的情緒檢測方法。
背景技術(shù)：
腦電波是大腦在活動時，大量神經(jīng)元同步發(fā)生的突觸后電位經(jīng)總和后形成的。它記錄大腦活動時的電波變化，是腦神經(jīng)細(xì)胞的電生理活動在大腦皮層或頭皮表面的總體反映。隨著科技的進(jìn)步，腦電波的應(yīng)用也由醫(yī)學(xué)領(lǐng)域開始向工程應(yīng)用領(lǐng)域發(fā)展。目前，基于腦電波分析的情緒檢測方法受到高度關(guān)注。
近年來，在研究基于腦電波分析的情緒檢測方法的過程中，研究人員應(yīng)用了不同的腦電波特征以及相應(yīng)的分類器。Calibo等人應(yīng)用能量特征并結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。Lin等人應(yīng)用差分不對稱能量特征并結(jié)合支持向量機(jī)進(jìn)行分類。
上述方法雖然在各自特定的試驗中都表現(xiàn)出一定的準(zhǔn)確性，但也存在明顯不足。上述方法對每個目標(biāo)進(jìn)行測試時都需要重新訓(xùn)練分類模型，操作過程復(fù)雜，檢測精度低。
由此可見，亟需一種操作過程簡單，分類精度高的方法。
技術(shù)實現(xiàn)要素：
針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于腦電波分析的情緒檢測方法，通過利用類內(nèi)相關(guān)系數(shù)法來獲得最穩(wěn)定的特征參數(shù)，以實現(xiàn)情緒的實時穩(wěn)定準(zhǔn)確的檢測。
為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案如下：
一種基于腦電波分析的情緒檢測方法，其關(guān)鍵在于包括如下步驟：
步驟1：對獲取的腦電波樣本信號進(jìn)行特征提取；
步驟2：采用類內(nèi)相關(guān)系數(shù)法對所提取特征的特征參數(shù)進(jìn)行評價，獲得最穩(wěn)定特征參數(shù)；
步驟3：根據(jù)步驟2獲得的最穩(wěn)定特征參數(shù)，通過支持向量機(jī)訓(xùn)練分類模型；
步驟4：采用步驟3訓(xùn)練出的分類模型進(jìn)行情緒的實時檢測。
進(jìn)一步的技術(shù)方案是，步驟1中所提取的特征分別為分形維度特征、能量特征、統(tǒng)計學(xué)特征和高階交叉特征。
進(jìn)一步的技術(shù)方案是，所述分形維度特征采用Higuchi算法對腦電波信號進(jìn)行處理后提取，計算公式為：
其中，F(xiàn)D為分形維度的值，<Ln(k)>為的偏差均值Ln(k)的平均數(shù)，為腦電波樣本信號X(n)的新的時間序列樣本，n∈(1～k)為初始時間，k為間隔時間。
進(jìn)一步的技術(shù)方案是，所述能量特征利用離散傅里葉變換處理腦電波信號獲得，處理公式為：
其中，為腦電波樣本信號的能量特征，X(ejω)為腦電波樣本信號X(n)的頻譜，N為輸入樣本數(shù)量，n∈(1～N)。
進(jìn)一步的技術(shù)方案是，所述統(tǒng)計學(xué)特征分別為腦電波信號的均值μX、標(biāo)準(zhǔn)差σX、第一次偏差絕對值的均值δX、標(biāo)準(zhǔn)化腦電波信號第一次偏差絕對值的均值第二次偏差絕對值的均值γX和標(biāo)準(zhǔn)化腦電波信號第二次偏差絕對值的均值計算公式如下：
其中，X(n)、X(n+1)、X(n+2)一個腦電波樣本信號的三個不同序列，N為輸入樣本數(shù)量，n∈(1～N)。
進(jìn)一步的技術(shù)方案是，所述高階交叉特征通過濾波器處理集權(quán)后的腦電波樣本信號進(jìn)行獲取，計算公式如下：
其中，Dl為l階交叉特征，Xn(l)、Xn-1(l)分別為l階下兩個特征函數(shù)，l為交叉特征的階數(shù)，n∈(1～N)。
進(jìn)一步的技術(shù)方案是，所述類內(nèi)相關(guān)系數(shù)法的評價模型為：
其中，MSB表示各組特征特征參數(shù)的類間平均方差，MSW表示各組特征特征參數(shù)的類內(nèi)平均方差，m表示特征參數(shù)的數(shù)量。
鑒于現(xiàn)有技術(shù)中亟需一種既有較好的穩(wěn)定性，且能進(jìn)行實時情緒檢測方法，本方案提出了一種基于腦電波分析的情緒檢測方法，該方法首先利用原始的腦電數(shù)據(jù)來提取特征，分別提取出分形維度特征、能量特征、統(tǒng)計學(xué)特征和高階交叉特征；然后利用類內(nèi)相關(guān)系數(shù)法來評價所提取特征的特征參數(shù)進(jìn)而獲得最穩(wěn)定的特征參數(shù)；之后通過支持向量機(jī)將獲得的特征參數(shù)用來訓(xùn)練分類模型；最后利用訓(xùn)練出的分類模型實現(xiàn)情緒的實時檢測。在對某一目標(biāo)進(jìn)行情緒檢測時，無需重新訓(xùn)練分類模型，只需下載步驟3中保存的分類模型并應(yīng)用到該目標(biāo)的情緒分類中。這樣，該目標(biāo)的情緒實時檢測就得以實現(xiàn)。
本發(fā)明的顯著效果是：本發(fā)明通過利用類內(nèi)相關(guān)系數(shù)法來獲得最穩(wěn)定的特征參數(shù)，成功訓(xùn)練出了穩(wěn)定準(zhǔn)確的分類模型；與傳統(tǒng)的方法相比，無需重新訓(xùn)練分類模型，本方法操作更簡單，分類精度更高。
附圖說明
圖1是本發(fā)明的方法流程圖。
具體實施方式
下面結(jié)合附圖對本發(fā)明的具體實施方式以及工作原理作進(jìn)一步詳細(xì)說明。
如圖1所示，一種基于腦電波分析的情緒檢測方法，具體步驟如下：
步驟1：對獲取的腦電波樣本信號進(jìn)行特征提取，分別提取出分形維度特征、能量特征、統(tǒng)計學(xué)特征和高階交叉特征，具體操作如下：
本例中，所述分形維度特征由Higuchi算法對腦電波信號處理后獲得，
首先對獲取的腦電波樣本信號按下式進(jìn)行間隔采樣處理，處理公式為從而獲得新的時間序列樣本對每個新的時間序列樣本計算其偏差均值Ln(k)，計算公式為：并根據(jù)公式<Ln(k)>∝k-FD計算偏差均值Ln(k)的平均數(shù)，由此可計算獲得分形維度的值其中，n∈(1～k)為初始時間，k為間隔時間。
對于腦電波樣本信號的能量特征，利用離散傅里葉變換處理腦電波信號如下：
則能量特征可表示為
其中，N為輸入樣本數(shù)量，n∈(1～N)。
對于腦電波的統(tǒng)計學(xué)特征，分別計算腦電波信號的均值μX、標(biāo)準(zhǔn)差σX、第一次偏差絕對值的均值δX、標(biāo)準(zhǔn)化腦電波信號第一次偏差絕對值的均值第二次偏差絕對值的均值γX和標(biāo)準(zhǔn)化腦電波信號第二次偏差絕對值的均值計算公式如下：
其中，X(n)、X(n+1)、X(n+2)分別一個腦電波樣本信號的三個不同序列，分別為三個標(biāo)準(zhǔn)化的腦電波信號，N為輸入樣本數(shù)量，n∈(1～N)。
對于腦電波的高階交叉特征，應(yīng)用濾波器處理集權(quán)后的腦電波樣本信號進(jìn)行提取，而濾波器函數(shù)式表示如下：
其中，Y(n)＝X(n)-μX，則l階交叉特征表示如下：
其中，Xn(l)、Xn-1(l)分別為l階下的兩個特征函數(shù)，計算公式為Y(n)為對第n個腦電波樣本信號X(n)的集權(quán)處理，μX腦電波樣本信號的均值，l為交叉特征的階數(shù)，n∈(1～N)。
步驟2：采用類內(nèi)相關(guān)系數(shù)法對所提取特征的特征參數(shù)進(jìn)行評價，獲得最穩(wěn)定特征參數(shù)，評價模型為：
其中，MSB表示各組特征特征參數(shù)的類間平均方差，MSW表示各組特征特征參數(shù)的類內(nèi)平均方差，m表示特征參數(shù)的數(shù)量。
步驟3：根據(jù)步驟2獲得的最穩(wěn)定特征參數(shù)，通過支持向量機(jī)訓(xùn)練分類模型；
步驟4：利用步驟3訓(xùn)練出的分類模型進(jìn)行情緒的實時檢測。
具體實施過程中，在對某一目標(biāo)進(jìn)行情緒檢測時，無需重新訓(xùn)練分類模型，只需下載步驟3中保存的分類模型并應(yīng)用到該目標(biāo)的情緒分類中。這樣，該目標(biāo)的情緒實時檢測就得以實現(xiàn)。
本發(fā)明的顯著效果是：本發(fā)明通過利用類內(nèi)相關(guān)系數(shù)法來獲得最穩(wěn)定的特征參數(shù)，成功訓(xùn)練出了穩(wěn)定準(zhǔn)確的分類模型；與傳統(tǒng)的方法相比，本方法操作更簡單，分類精度更高。
在本實施例中，針對四種情緒進(jìn)行了識別，實驗的結(jié)果如表1所示，其中F1表示傳統(tǒng)的情緒分類方法，F(xiàn)2表示本方案提出的組合特征(分形維度特征、5種統(tǒng)計學(xué)特征、1階高階交叉特征和4種帶能量特征)情緒分類方法，不難看出，本方案提高了情緒識別的準(zhǔn)確率。
表1