脑电情感信号正确提取仿真

doi:10.3969/j.issn.1006-2475.2017.01.025

计算机与现代化 ›› 2017, Vol. 0 ›› Issue (1): 123-126.doi: 10.3969/j.issn.1006-2475.2017.01.025

• 应用与开发 • 上一篇

脑电情感信号正确提取仿真

(广东工业大学自动化学院，广东广州 510006)

收稿日期:2016-07-01 出版日期:2017-01-12 发布日期:2017-01-11
作者简介:谭志伟(1990-)，男，江西南昌人，广东工业大学自动化学院硕士研究生，研究方向：脑机接口; 谢云(1964-)，女，江西赣州人，教授，硕士生导师，博士，研究方向：IC设计，信息与通信技术，智能机器人技术; 苏镜(1991-)，男，湖南邵阳人，硕士研究生，研究方向：脑机接口。
基金资助:
广东省自然科学基金资助项目(2016A030313706)

Simulation About Accurate Extraction of Emotional EEG

(School of Automation, Guangdong University of Technology, Guangzhou 510006, China)

Received:2016-07-01 Online:2017-01-12 Published:2017-01-11

摘要/Abstract

摘要： 脑电信号是一种微伏级信号，从头皮上采集的脑电信号包含眼电信号、心电信号以及各种环境噪音。针对情感识别如何有效处理脑电信号的问题，本文首先对实验采集的脑电信号应用小波分析和独立分量分析进行预处理去除干扰；其次为了有效地提取脑电特征，应用幅值直方图、标准差在时域上定性地找出2种情感的脑电差异；最后应用功率谱对2种情感脑电的γ波节律进行谱分析。仿真实验结果表明，将脑电信号的γ波节律用于情感识别是可行的。

关键词: 情感识别, 脑电, 独立分量分析, 小波分析, 特征提取

Abstract: EEG signal is a kind of microvolt signal. Collected from the scalp, EEG signals contain EOG signals, ECG signals as well as a variety of environmental noise. For the problem how the emotion recognition does effectively deal with EEG signals, firstly, the collected EEG signals from experiments are pretreated for removing interferences by using wavelet analysis and independent component analysis; secondly, in order to effectively extract EEG signal features, the amplitude histogram and standard difference are used to find qualitatively in time domain the differences in brain power of two kinds of emotion; lastly, the power spectrum is used to analyze the two emotional EEG gamma wave rhythm. The experimental simulation results show that it is feasible to use the gamma wave rhythm of EEG signals for emotion recognition.

Key words: emotion recognition, EEG, ICA, wavelet analysis, feature extraction

中图分类号:

TP391.4

谭志伟，谢云，苏镜. 脑电情感信号正确提取仿真[J]. 计算机与现代化, 2017, 0(1): 123-126.

TAN Zhi-wei, XIE Yun, SU Jing. Simulation About Accurate Extraction of Emotional EEG[J]. Computer and Modernization, 2017, 0(1): 123-126.

参考文献

[1] Hadjidimitriou S K, Hadjileontiadis L J. EEG-based classification of music appraisal responses using time-frequency analysis and familiarity ratings[J]. IEEE Transactions on Affective Computing, 2013,4(2):161-172.

[2] 王小甜. 不同情绪状态下脑电信号特征的研究[D]. 长春:长春理工大学, 2014.

[3] Nawasalkar R K, Butey P K, Deshpande S G, et al. EEG based stress recognition system based on Indian classical music[C]// Proceedings of the 2015 International Conference on Advances in Computer Engineering and Applications. 2015:936-939.

[4] 王静梅,钱靓,卢英俊. 音乐对情绪影响的脑电机制初探[J]. 中国医药导报, 2010,7(32):11-13.

[5] Fouque P A, Stern J. One round threshold discrete-log key generation without private channels[C]// Proceedings of the 4th International Workshop on Practice and Theory in Public Key Cryptography. 2001:300-316.

[6] 沈学丽. 基于时频分析的头皮脑电特征提取及其模式识别应用研究[D]. 杭州:杭州电子科技大学, 2012.

[7] Nie Dan, Wang Xiao-wei, Shi Li-chen, et al. EEG-based emotion recognition during watching movies[C]// Proceedings of the 5th International IEEE/EMBS Conference on Neural Engineering. 2011:667-670.

[8] Li Mu, Lu Bao-liang. Emotion classification based on gamma-band EEG[C]// Proceedings of the 31st International Conference of the IEEE Engineering in Medicine & Biology Society. 2009:1323-1326.

[9] 冯志成. PsychToolBox工具箱及Matlab编程实例[M]. 北京:电子工业出版社, 2013.

[10] 张德丰,等. Matlab小波分析[M]. 2版. 北京:机械工业出版社, 2012.

[11] 王亚卿,曹艳珺,樊浩宇,等. 基于脑电(EEG)信号的“愉快-不愉快”情绪分析[J]. 计算机与现代化, 2012(7):88-91.

[12] 杨帮华,章云元,何亮飞,等. 脑机接口中基于ICA-RLS的EOG伪迹自动去除[J]. 仪器仪表学报, 2015,36(3):668-674.

[13] 程学梅,崔园. 用EEGLAB分析脑电信号[J]. 计算机与数字工程, 2014,42(10):1967-1970.

[14] 施丽娟,王晓飞. 结合小波包和ICA技术的脑电特征提取研究[J]. 现代电子技术, 2013,36(4):96-98.

[15] Schubert E. Affective, evaluative, and collative responses to hated and loved music[J]. Psychology of Aesthetics Creativity & the Arts, 2010,4(1):36-46.

脑电情感信号正确提取仿真

Simulation About Accurate Extraction of Emotional EEG

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘云海1, 冯广1, 吴晓婷2, 杨群2. 复杂施工场景下的安全帽佩戴检测算法[J]. 计算机与现代化, 2024, 0(12): 66-71.
[2]	余晨曦, 谷林. 基于人体骨架的电梯内异常行为识别预警[J]. 计算机与现代化, 2024, 0(09): 114-120.
[3]	岳有军1, 2, 张远锟1, 赵辉1, 2, 王红君1, 2. 基于多尺度特征与注意力模块的室内场景识别方法[J]. 计算机与现代化, 2024, 0(08): 37-42.
[4]	赵小明, 潘婷, 刘伟锋. 基于图像分类的自动绘画心理分析方法[J]. 计算机与现代化, 2024, 0(08): 92-97.
[5]	武丽1, 张征浩2, 葛彩成2, 俞俊2. 基于改进SCNN网络的车道线检测算法[J]. 计算机与现代化, 2024, 0(07): 87-92.
[6]	周超, 丛鑫, 訾玲玲, 肖谷平. 基于DNN与注意力机制的推荐算法模型[J]. 计算机与现代化, 2024, 0(06): 1-7.
[7]	刘力霈, 杨晓利, 李振伟. 基于边中心网络特征提取的癫痫脑电分类研究[J]. 计算机与现代化, 2024, 0(05): 22-26.
[8]	袁世一. 基于经验模态分解与极限学习机的粮食产量模型预测[J]. 计算机与现代化, 2024, 0(03): 47-53.
[9]	王秋忆, 周浩, 郑婷婷. 改进RetinaNet的电力设备目标检测方法[J]. 计算机与现代化, 2024, 0(01): 47-52.
[10]	周成诚, 曾庆军, 杨康, 胡家铭, 韩春伟. 基于高效通道注意力模块的运动想象脑电识别[J]. 计算机与现代化, 2023, 0(12): 19-23.
[11]	杨柳青, 王冲. 基于极大熵的Web服务资源个性化推荐方法[J]. 计算机与现代化, 2023, 0(09): 32-37.
[12]	胡睿杰, 车逗. 红外小目标检测方法综述[J]. 计算机与现代化, 2023, 0(08): 79-86.
[13]	王欣怡, 尹四清, 洪军. 融合注意力机制的非对称深度监督哈希[J]. 计算机与现代化, 2023, 0(05): 26-31.
[14]	潘凤, 王杰, 张艳莎, 谭棉, 何兴, 王林, . 基于双分支特征拼接的行人重识别[J]. 计算机与现代化, 2023, 0(05): 93-99.
[15]	崔晨露, 崔琳, . 面向数据增强的轻量化语音情感识别[J]. 计算机与现代化, 2023, 0(04): 83-89.