基于卷积神经网络的情感脑电识别研究

基于卷积神经网络的情感脑电识别研究

论文摘要

脑机接口技术(Brain Computer Interface,BCI)是一种不依赖人类神经肌肉,通过计算机对脑电信号的识别,建立人脑与外部环境之间的通讯通道,来实现人机交互的一种技术。该技术在军事、医学、人工智能等领域都有很好的应用前景,许多脑机接口领域的研究方向均取得了不错的成果。情绪脑电的识别就是其中一个方面。人类的情绪总是能轻易地被隐藏起来,面部表情,手部动作等外部特征很容易被抑制,而脑电信号,心跳频率等生理特征则很难被伪装。情绪脑电的研究是通过分析不同个体的脑电信号,来识别不同的情绪,能广泛应用在商业、测谎、医学等领域。如何提高不同情绪的识别准确率是一个值得研究的问题。本文的研究内容主要包括:1.对脑机接口以及情绪脑电信号的研究进行了详细的介绍分析,对传统的情绪脑电识别方法和特征提取方法作了简单的概括。为了对比深度学习方法和传统方法的优劣之处,我们采用了两种卷积神经网络(Convolutional Neural Net,CNN)结构,分别是根据FBCSP(Filter Bank Common Spatial Pattern)算法设计的浅层网络以及传统的深层卷积网络。我们将脑电信号直接作为网络的输入,与使用支持向量机对不同的人工提取特征进行分类的结果进行对比分析。结果显示卷积神经网络的识别率要高于绝大部分的特征,和差分熵(Differential Entropy,DE)特征的分类准确率相差不多。2.本文设计了两个实验,单被试实验和跨被试实验对三种情绪(积极、中性、消极)的脑电信号进行分类。其次,我们还将不同频段、不同时间长度的脑电样本作为CNN输入,并分析对比实验结果,高频段的结果要优于低频段,仅次于全频段信号。针对三种情绪的具体差异,最后我们还设计了情绪脑电的二分类实验,用于对比不同情绪的识别情况,积极情绪是识别率最高的,其次是中性,最难识别的是消极情绪。为了验证CNN的性能,SEED和DEAP两个情绪脑电数据集被用于本研究。对比实验结果,本文所使用的浅层CNN与绝大部分传统方法相比,分类性能有了不错的提升,在单被试与跨被试实验均达得了很好的准确率,尤其是跨被试实验的分类结果远高于传统特征提取方法,说明CNN能够在情绪识别领域提供很大的帮助,有很好的研究意义。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  •   1.1 论文研究背景及意义
  •   1.2 脑机接口介绍
  •     1.2.1 信号采集
  •     1.2.2 预处理
  •     1.2.3 特征提取
  •     1.2.4 模式识别
  •     1.2.5 脑电信号类型及检测
  •   1.3 国内外研究现状
  •   1.4 论文的主要工作及章节安排
  • 第二章 数据集介绍以及脑电预处理
  •   2.1 数据集介绍
  •     2.1.1 SEED数据集介绍
  •     2.1.2 DEAP数据集介绍
  •   2.2 脑电数据预处理
  •     2.2.1 脑电输入与样本分离
  •     2.2.2 去除坏样本和坏通道
  •     2.2.3 带通滤波以及降采样
  •     2.2.4 独立成分分析去除剩余噪声
  •   2.3 本章小结
  • 第三章 传统特征以及FBCSP特征提取研究
  •   3.1 传统特征提取
  •     3.1.1 功率谱密度
  •     3.1.2 差分熵
  •     3.1.3 对称性差异与对称性比率
  •     3.1.4 前后电极比率
  •   3.2 FBCSP特征提取方法
  •   3.3 各特征提取方法优劣
  •   3.4 支持向量机
  •   3.5 SEED数据集各特征分类实验结果
  •   3.6 本章小结
  • 第四章 基于卷积神经网络的单被试实验研究
  •   4.1 概述
  •   4.2 浅层卷积神经网络
  •     4.2.1 网络基本结构
  •     4.2.2 批归一化和dropout层
  •     4.2.3 网络学习过程分析
  •   4.3 深层卷积神经网络
  •   4.4 单被试实验结果分析
  •   4.5 本章小结
  • 第五章 基于卷积神经网络的跨被试以及二分类实验研究
  •   5.1 基于SEED数据集的跨被试实验研究
  •   5.2 基于SEED数据集的二分类实验
  •   5.3 基于DEAP数据集的跨被试实验
  •   5.4 本章小结
  • 总结与展望
  •   总结
  •   展望
  • 参考文献
  • 攻读硕士学位期间取得的研究成果
  • 致谢
  • 附件
  • 文章来源

    类型: 硕士论文

    作者: 曾柏泉

    导师: 吴畏

    关键词: 卷积神经网络,脑电图,情绪识别,脑机接口

    来源: 华南理工大学

    年度: 2019

    分类: 基础科学,医药卫生科技,信息科技

    专业: 生物学,生物医学工程,自动化技术

    单位: 华南理工大学

    分类号: R318;TP183

    DOI: 10.27151/d.cnki.ghnlu.2019.003766

    总页数: 73

    文件大小: 6724K

    下载量: 354

    相关论文文献

    • [1].基于优化神经网络的地质灾害监测预警仿真[J]. 计算机仿真 2019(11)
    • [2].基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J]. 轻工机械 2019(06)
    • [3].时频联合长时循环神经网络[J]. 计算机研究与发展 2019(12)
    • [4].几种典型卷积神经网络的权重分析与研究[J]. 青岛大学学报(自然科学版) 2019(04)
    • [5].基于GA-BP神经网络异纤分拣机检测参数优化[J]. 棉纺织技术 2020(01)
    • [6].基于集成神经网络的织物主观风格预测研究[J]. 纺织科技进展 2020(01)
    • [7].试析神经网络技术在机械工程中的应用及发展[J]. 网络安全技术与应用 2020(02)
    • [8].一种深度小波过程神经网络及在时变信号分类中的应用[J]. 软件 2020(02)
    • [9].不同结构深度神经网络的时间域航空电磁数据成像性能分析[J]. 世界地质 2020(01)
    • [10].基于深度神经网络的航班保障时间预测研究[J]. 系统仿真学报 2020(04)
    • [11].基于生成对抗网络和深度神经网络的武器系统效能评估[J]. 计算机应用与软件 2020(02)
    • [12].基于循环神经网络的双轴打捆机智能换挡策略研究[J]. 安徽工程大学学报 2020(01)
    • [13].基于图神经网络的实体对齐研究综述[J]. 现代计算机 2020(09)
    • [14].基于改进的循环神经网络深度学习跌倒检测算法[J]. 电脑编程技巧与维护 2020(03)
    • [15].神经网络探索物理问题[J]. 物理 2020(03)
    • [16].基于GA-BP神经网络的城市用水量预测[J]. 现代电子技术 2020(08)
    • [17].基于深度神经网络的药物蛋白虚拟筛选[J]. 软件工程 2020(05)
    • [18].基于轻量级神经网络的人群计数模型设计[J]. 无线电工程 2020(06)
    • [19].高效深度神经网络综述[J]. 电信科学 2020(04)
    • [20].含磁场耦合忆阻神经网络放电行为研究[J]. 广西师范大学学报(自然科学版) 2020(03)
    • [21].基于神经网络及特征运算的老年人平衡能力分析[J]. 重庆工商大学学报(自然科学版) 2020(04)
    • [22].神经网络技术在机械工程中的应用及发展探析[J]. 科技创新与应用 2020(18)
    • [23].基于竞争神经网络的变电站巡视周期分类[J]. 科技创新与应用 2020(18)
    • [24].基于双向循环神经网络的语音识别算法[J]. 电脑知识与技术 2020(10)
    • [25].结合相似日与改进神经网络的短期光伏发电预测[J]. 广西电业 2020(04)
    • [26].基于神经网络的流感大数据分析[J]. 中华医学图书情报杂志 2020(03)
    • [27].长短时记忆神经网络在地电场数据处理中的应用[J]. 地球物理学报 2020(08)
    • [28].基于门控循环单元神经网络的公交到站时间预测[J]. 南通大学学报(自然科学版) 2020(02)
    • [29].鼠脑神经网络的同步辐射3D成像研究[J]. 核技术 2020(07)
    • [30].基于长短记忆神经网络的短期光伏发电预测技术研究[J]. 华北电力大学学报(自然科学版) 2020(04)

    标签:;  ;  ;  ;  

    基于卷积神经网络的情感脑电识别研究
    下载Doc文档

    猜你喜欢