[发明专利]基于多元经验模态分解的脑电信号情绪识别方法

权利要求书

1.一种基于多元经验模态分解的脑电信号情绪识别方法，其特征在于，包括以下步骤：

步骤1)采集脑电信号，并对脑电信号进行预处理；

步骤2)对预处理后的信号进行多元经验模态分解，得到固有模态函数；

步骤3)计算固有模态函数的样本熵；

步骤4)将提取的特征输入到支持向量机中进行不同情绪的识别。

2.根据权利要求1所述的基于多元经验模态分解的脑电信号情绪识别方法，其特征在于，步骤1)中预处理包括截取情绪的有效数据，降低采样率，去除基线漂移和眼电伪迹。

3.根据权利要求2所述的基于多元经验模态分解的脑电信号情绪识别方法，其特征在于，步骤2)中多元经验模态分解包括：设一个n维向量组序列代表一个n元信号，信号序列长度为T，表示在(n-1)维球面上对应角的方向向量集，如果要在球面空间上建立K个方向向量，那么k＝1,2,3,…,K；具体包括以下步骤：

2-1)采用Hammersley序列采样法，在(n-1)维球面上获得合适的均匀采样点集，即得到n维空间的方向向量；

2-2)计算输入信号v(t)在每个方向向量上的映射

2-3)确定所有方向向量的映射信号极值对应的瞬时时刻l表示极值点位置，l∈[1,T]；

2-4)用多元样条插值函数插值极值点得到K个多元包络

2-5)对球空间K个方向向量，n元信号均值m(t)为：

2-6)通过h(t)＝v(t)-m(t)提取固有模态函数h(t)，如果h(t)满足多元IMF判断标准，那么就将v(t)-h(t)结果当做第(2)步的输入信号，继续(2)～(6)步迭代计算，提取新的多元IMF分量h(t)；否则，将h(t)当做第(2)步的输入信号，继续执行(2-2)～(2-6)步迭代；

经过上述步骤后原n元信号被分解为一系列和余量r(t)的加和形式，如下：

式中：q表示分解出的多元IMF层数，h(t)为r(t)为分别对应于n元信号的n组IMF分量和n个余量；多元信号每个通道分解出的IMF个数相同，每层IMF之间频率不同，最先分解出的IMF频率高，而后分解出的IMF频率低，分解的余量频率最低，n元信号每一元变量对应的IMF在n个通道中按频率尺度对齐，形成多元IMF；计算所得到固有模态函数的方差贡献率，取出累计方差贡献率到达预设阈值的前K个固有模态函数。

4.根据权利要求3所述的基于多元经验模态分解的脑电信号情绪识别方法，其特征在于，步骤3)具体为：每个固有模态函数，假定包含N个数据{u(i),1≤i≤N}；基于N个数据{u(i),1≤i≤N}，构造成一组m维矢量，从X_m(1)到X_m(N-m+1)，其中：

X_m(i)＝[u_i,u_i+1,u_i+2....u_i+m-1](i＝1～N-m+1)

定义任意两个m维向量之间的距离为：

d[X_m(i),X_m(j)]＝max|u_i+k-u_j+k|,0≤k≤m-1；i,j＝1～N-m+1,i≠j

给定阈值r，对每个i值，统计d[X(i),X(j)]<r的个数然后计算其与距离总数(N-m)的比值，称为模板匹配数，记：

其中，SD是一维离散时间序列的标准差；

计算：

对于m+1点矢量，按以上步骤，可得：

理论上此序列的样本熵值为：SampEn(m,r)＝lim{-ln[B^m+1(r)/B^m(r)]}，当序列长度为有限值时，其样本熵估计值为：SampEn(m,r)＝-ln[B^m+1(r)/B^m(r)]，其中参数m是预先选定的模式维数，r是预先选定的相似容限。