[发明专利]一种基于RMFS的脑电信号情绪识别方法

说明书

本发明公开了一种基于RMFS的脑电信号情绪识别方法，具体按照以下步骤实施：步骤1、通过RMFS匹配特征选择对每个特征进行判断，调整每个调整权值在匹配特征组中所占比例，使权值较大的特征得到更多的增益，权值较小的特征得到较小的增益，筛选出优选的匹配特征组；步骤2、采用RMFS算法将通道作为一个整体，计算通道的权值，采用交叉验证的方法得到不同通道对分类的贡献度，根据贡献度调整权值剔除无关信息，得到最优通道子集。采用RMFS算法对效价与唤醒度的情绪二分类平均正确率分别为93.28％与93.32％，四类情绪的分类结果皆高于83％，且采用RMFS算法的单个被试计算效率提升了42.65％，RMFS算法能够较好的提高识别准确率和计算效率。

技术领域

本发明属于信号处理技术领域，涉及一种基于RMFS的脑电信号情绪识别方法。

背景技术

情绪识别是通过获取人的生理和非生理信号对人的情绪状态进行自动辨别,更加友好和自然的实现人机交互,一方面根据国际“10-20”系统分布在整个头皮上的16、32、64或128通道获取多通道EEG传感器信号,电极数的增加会带来特征维数急剧上升,导致计算量过大,不利于特征情绪分类；另一方面因为被试之间的个体差异,同样的特征并不能精确反应部分被试的信息，以上研究进展，均存在因被试个体特异性与全局阈值不匹配问题，从而导致情绪识别率不高。

ReliefF算法是一种特征选择算法,即根据信号特征与分类标签的相关性给特征向量赋予权值,并根据权值大小删选对分类效果影响较小的特征子集。通过ReliefF算法，将特征子集中全部特征权值相加，得到每类特征的权值并按其大小了解每类特征对分类的贡献，但进行情绪识别时需要使用多类特征进行组合作为分类的依据，且ReliefF算法对消除冗余特效果欠佳。

发明内容

本发明的目的是提供一种基于RMFS的脑电信号情绪识别方法，具有获得全局匹配特征组和不同被试的匹配特征组，从而提高识别准确率和算法效率的特点。

本发明所采用的技术方案是，一种基于RMFS的脑电信号情绪识别方法，具体按照以下步骤实施：

步骤1、通过RMFS匹配特征选择对每个特征进行判断，调整每个调整权值在匹配特征组中所占比例，使权值较大的特征得到更多的增益，权值较小的特征得到较小的增益，筛选出优选的匹配特征组；

步骤2、采用RMFS算法将通道作为一个整体，计算通道的权值,采用交叉验证的方法得到不同通道对分类的贡献度，根据贡献度调整权值剔除无关信息,得到最优通道子集。

步骤1具体按照以下步骤实施：

步骤1.1、用ReliefF算法计算n类特征权值(n≤10)；

步骤1.2、若其权值均为正，则按权值大小降序排列特征；

步骤1.3、若权值为负，则剔除其对应的特征，并通过步骤步骤1.1重新计算剩余权重为正的特征的权重，重复该步骤直至所有特征的权重均为正；

步骤1.4、采用高斯核SVM分类器及20次5折交叉验证得到前n类及n+1类特征识别准确率p(n)和p(n+1)；

步骤1.5、设定阈值δ₁＝0.01，判断|p(n+1)-p(n)|和δ₁；

步骤1.6、重复上述步骤，直至满足|p(n+1)-p(n)|＜δ₁，完成匹配特征组选择。

步骤1.5中判断的具体情形为：

若|p(n+1)-p(n)|＜δ₁,则输出匹配特征组；

若|p(n+1)-p(n)|＞δ₁，则判断p(n+1)与p(n)大小，当p(n+1)＞p(n)时，按公式(1)计算前n项特征权值，获得更大增益