[发明专利]一种基于分层机制构建多分类器融合模型的脑电情感识别方法

说明书

本发明涉及一种基于分层机制构建多分类器融合模型的脑电情感识别方法，收集多导情感脑电数据，并对其进行分析处理，包括脑电预处理、特征提取及基于权重度量的通道选择，以构建情感脑电特征矩阵。将情感脑电特征矩阵按照电极位置进行通道划分，并针对每个通道执行最优化特征选择集成，构建多个单一情感分类模型。以各分类模型在针对同一个情感识别问题时获得的差异性和精确度作为评估准则，选择每个通道的最优单一情感分类模型，得到待融合的分类器集。利用各个最优单一情感分类模型的分类误差作为权重，并基于加权投票法构建情感识别融合模型。本发明利用多分类器融合解决了脑电样本空间上难以获得较高情感识别率的问题。

技术领域

本发明涉及情感计算领域，涉及一种基于脑电的情感识别方法，特别涉及一种基于通道分层机制与特征选择集成构建多分类器融合的脑电情感识别方法。

背景技术

情感是人脑的高级功能，是伴随着认知和意识过程产生的心理和生理状态，综合了人的感觉、思想和行为，在人与人之间的交流中扮演着非常重要的角色。近年来，随着普适技术和和计算机技术的快速发展，情感识别作为情感计算的一个关键问题已经成为计算机科学、认知科学和人工智能等领域一项重要的交叉学科研究课题，并得到越来越多的关注和应用。在临床医疗护理中，如果能够知道患者，尤其是有表达障碍的患者的情感状态，就可以根据患者的情感采取不同的护理措施提高护理质量。在产品开发过程中，如果能够测量用户在使用产品过程时的情感，了解用户体验，就可以改善产品功能并提高产品质量，更好的满足用户的需求。对于动车、高铁及长途客运等方面的司机需要长时间保持高度注意力和警觉度，如果能提前获取司机当天的情感状态，就可以有效的避免因司机的浮躁、愤怒、抑郁等消极情绪而造成的交通事故。此外，在对精神障碍患者的心理行为监控、智能多媒体推荐系统及人机交互的友好和智能化等方面目前也得到了越来越多的关注。因此，利用情感识别技术对情感进行分析和评估具有重要的应用和研究价值。

较早的情感研究通常是利用人的面部表情、语音声调、身体姿态等外显特征来识别人的不同情感，这些人体信号虽然容易获取，但往往容易被人为掩饰或伪装，难以排除主观因素的影响，有时甚至无法获知内在真实的情感状态。而伴随情感的生理反应则由神经和内分泌系统支配，具有自发性，不易受主观意念控制，故基于所对应生理信号的情感识别能获得客观真实的结果，也更贴切于实际应用。呼吸、心率、体表温度、皮肤阻抗等外围神经生理信号常用来检测人的情感状态，但这些信号的差异性通常较小，变化的速率也通常较慢，在需要实时的快速识别情感的情况下，这些信号就不能满足研究的需要了。认知和神经生理学理论研究表明，人的大脑活动在情感的产生和活动过程中扮演着重要的角色，并且从大脑采集到的脑电信号能够检测到与情感状态变化相关的信息。近年来，脑电信号由于其不可伪装性和实时差异性的优点，并且随着脑电信号采集设备的应用和推广、信号处理和机器学习技术的快速发展以及计算机数据处理能力的大幅提高，基于脑电的情感识别在情感计算领域得到越来越多的关注和应用。

目前，基于脑电的情感识别技术主要是基于传统的单一分类器及其改进模型，常见的有支持向量机、决策树、贝叶斯网络、神经网络及K近邻算法等，取得了不错的识别效果，但仍有提升的空间。通常，对于情感识别，我们更专注于提高识别率并且对新的数据集具有良好的泛化能力。然而，现实中由于被试的文化差异、个体性格等客观因素使得在情感诱发实验中采集到的脑电数据往往具有类别不平衡性，同时随着实验时间的增加，被试疲累及心理波动导致其具有实验抵触心理，加上外界因素干扰会使得数据中常包含较多噪声。此外，大脑的非线性混沌特征使得脑电具有多样性和复杂性，不同脑区对情感的体验程度也不完全相同。以上因素大大增加了脑电情感识别的难度，使用传统的单一分类器很难实现在整个样本空间上的准确分类。常见的解决策略是针对特定的情感识别问题，通过多次测试比较寻找一个具有最佳分类性能的分类器。然而，当先验知识不足时，很难确定最佳分类器，且如果特征之间的差异较大，则难以将他们集中到单一分类器中进行决策。虽然每个分类器的性能不同，但他们的错分样本集不一定重叠，这表明在各种单一分类器中存在着一定的互补信息。如果能利用这些互补信息组合多个分类器，并让每个分类器都在其优势空间区域发挥作用，即多分类器融合，将有望提高脑电情感识别的准确率。