[发明专利]基于双树复小波的脑电信号情绪识别特征提取方法

说明书

技术领域

本发明属于脑电信号处理领域，涉及双树复小波变换的脑电信号特征提取方法。特别涉及到一种基于脑电信号的情绪识别研究方法。

背景技术

情绪是多种感觉，思想和行为综合产生的生理和心理状态。情绪的好坏不同程度上影响着人类的学习，记忆和决策等行为。在日常生活中，情绪无时无刻不在影响着我们的生活。有研究表明，长期负面的情绪会造成工作效率低下，生活没有激情，更有甚者会影响人们的生理机能，降低身体的免疫力。当今社会生活压力如此大的情况下，当发现负面情绪时适当的给与干涉也显得十分有必要。令一方面，如今人工智能的发展非常迅速，在未来世界如何让机器更好的服务人类，这必然要考虑到机器的情绪感知能力。一个没有情绪感知的机器并不能算真正意义上的人工智能。所以对情绪的研究也显得尤为重要。

脑电信号是大脑活动的一种综合反映，之前对于情绪研究更多的是通过人们的面部表情，语言等外在特征。虽然这些特征明显且容易获取，但是却可以被刻意伪装。而脑电信号却不受主观控制的，能够更加真实的反映情绪状态。

本发明采用了一种基于双树复小波重构信号的相位信息和样本熵方法。区别于传统的外在特征如面部表情，语音等分类研究方法。相对与以往采用的分形维数，小波变换，近似熵，功率谱密度等特征进行情绪分类也有明显的不同。

发明内容

本发明目的在于提出了一种基于双树复小波变换的重构信号相位信息和样本熵的脑电信号情绪识别，在识别率方面，该方法相对于常用的小波变换特征提取方法更有优势。能有效的提高脑电信号的情绪识别率。

本发明解决其技术问题所采取的技术方法是：

1.一种基于双树复小波的脑电信号情绪识别研究方法，该方法具体步骤如下：

步骤1).脑电信号采集，采用Neuroscan设备采集原始脑电信号；

步骤2).脑电信号的预处理，对步骤1采集到的脑电信号进行预处理，以减少眼电和肌电的干扰，提高分类识别率。预处理主要包括截取情绪的有效数据，降低采样率，取出基线数据；

步骤3).对预处理后的信号进行双树复小波分解和重构，获得特定频段的脑电信号；

步骤4).重构出β波段的信号，计算其解卷绕之后的相位信息；

步骤5).重构后获得不同频段的信号，求其样本熵平均值；

步骤6).把信号的相位信息和样本熵作为特征向量输入到SVM中进行分类。

所述步骤3)所述的双树复小波变换具体如下：

为了实现双树复小波变换，采用Kingsbury提出的Q-Shift双树滤波器，它是一簇正交离散的滤波器系数，实现变换中的抗混叠现象；设脑电信号s(n)的采样频率为fs，用双树复小波变换将原始信号分为L层，则能得到CAL，CDL， CD(L-1),........CD1等L+1个子带的复系数；将系数重构后得到的信号分量 AL,DL,........D1所对应的频带范围分别为[0,fs/2^L+1],........... [fs/2²,fs/2]；然后选取α，β，θ对应的频率进行重构信号；

双树复小波分解与重构的算法采用了二叉树结构的两路DWT，一树生成变换的实部，一树生成虚部；假设存在两组特殊的用于分解的实数滤波器{gr,hr}和 {gi,hi}，对原始信号s(t)使用这两组滤波器分别进行两个各自独立的小波包分解(双树分解，这里称为R树分解与I树分解)，算法如下：

R树分解

I树分解

式中，cr_l^j,n与ci_l^j,n分别是R树与I树在尺度j,节点序号n下的系数，l为平移因子，hr和hi为低通滤波器，gr和gi为高通滤波器。上式中R树的系数cr_l^j,n理解为复小波分解的实部；I树的系数ci_l^j,n可以理解为虚部；

设用于重构的滤波器为{sgr,shr}和{sgi,shi}，则重构算法为

R树重构

I树重构

所述步骤4)所述求重构信号解卷绕后的相位信息，具体如下：

(4-1)一个信号的频率响应可以表示为振幅特性和相位特性，就像这样：

H(e^jω)＝|H(e^jw)|e^jθ(ω)

(4-2)所以，振幅特性和相位特性就按下式可以计算出来