[发明专利]一种基于EMD域多维信息的情绪脑电信号识别方法

说明书

本发明涉及脑电信号处理技术领域，特别是涉及一种基于EMD域多维信息的情绪脑电信号识别方法，首先利用EMD将脑电信号自适应地分解为不同震荡频率的本征模态函数IMF，然后提取本征模态函数的波形差分、相位差分和归一化能量，将提取的多维信息组成特征向量，作为不同情绪脑电信号的表征，通过KNN分类器和SVM分类器，进行情绪脑电信号的分类与识别，大大提高了分类准确率。

技术领域

本发明涉及脑电信号处理技术领域，特别是涉及一种基于EMD域多维信息的情绪脑电信号识别方法。

背景技术

情绪在我们的日常生活和工作中起着重要的作用，情绪的实时评估和调控可以更好地改善人们的生活质量。例如，在人机交互的沟通中，情绪识别将使交互过程更和谐自然。另外一个例子，在患者的治疗过程中，特别是有表达问题的患者，患者的真实情绪状态将有助于医生提供更精准的医疗服务。近年来，基于脑电信号的情绪识别得到广泛关注。此外，它是脑机接口(BCI)系统中非常重要的因素，可有效改善人与计算机之间的通信。

研究者已经提出了多种基于脑电信号进行情绪识别的方法，包括时域、频域、和时频联合的分析技术。情绪识别的时域特征包括分形维数(FD)和样本熵[4]等非线性特征；EEG时域序列的统计特征，包括一阶和二阶差分。Wang等人提取频域的一系列特征进行分类。时频分析方法通常将脑电信号特定子频带的能量，功率和功率谱密度(PSD)作为特征。短时傅里叶变换(STFT)，希尔伯特-黄变换(HHT)和离散小波变换(DWT)是频谱计算中最常用的技术。已有的研究表明，脑电信号的高频段，Beta(16-32Hz)和Gamma(32-64Hz)更适合用于情绪识别，且性能优于低频段。另外，不同脑区间电极的相干性和不对称也经常用于情绪识别。

EMD是由Huang于1998年提出的。与需要预先确定变换基函数和变换级别的DWT不同，EMD可以自适应地将信号分解为本征模态函数(IMF)。这些IMF表征了原始信号的不同频率分量，具有窄带特性。通过对IMF进行希尔伯特变换，可以得到IMF的瞬时相位信息。因此，EMD适用于非线性、非平稳序列的分析，如神经信号等。鉴于EMD的优点，我们将其用于脑电信号的情绪识别。

EMD已经被广泛用于癫痫发作预测和检测，但是对于基于EMD的情绪识别，没有太多的研究。在癫痫脑电信号的预测和识别中，IMF的高阶统计特性，复平面中IMF的几何旋转特性，IMF的波动特性经常被作为特征用来进行癫痫脑电信号和正常脑电信号的区分。对于情绪识别，Mert等提取了IMF的熵，功率，功率谱密度，IMF的相关性和不对称性等特征，然后利用独立分量分析(ICA)来减小特征集的维数。所有受试者混合在一起计算情绪分类准确率。但是哪些特征在EMD域进行情绪识别最有效？哪些IMF分量适合用于情绪分类？这些问题再都没有研究过。

发明内容

为了解决上述技术问题，本发明提出一种基于EMD域多维信息的情绪脑电信号识别方法，利用了本征模态函数的多维信息，分类准确率明显提高。

为了实现上述目的，本发明采用以下的技术方案：

本发明提供一种基于EMD域多维信息的情绪脑电信号识别方法，包括以下步骤：

步骤1，对脑电信号进行EMD分解，得到不同振荡频率的本征模态函数IMF；

步骤2，对上述本征模态函数提取多维信息，该多维信息包括波形差分、相位差分和归一化能量；

步骤3，将提取的多维信息组成一个特征向量，作为不同情绪脑电信号的表征；

步骤4，利用分类器对上述特征向量进行分类，实现对情绪脑电信号的识别。

进一步地，所述步骤1中EMD分解的具体过程为：