馮曉婷　丁月恒　顧錦

【摘 要】本文主要介紹基于腦電（EEG）的人類情感的識(shí)別。而本文介紹應(yīng)用的方法就是利用MATLAB軟件通過(guò)支持向量機(jī)（SVM）的算法，將我們事先得到的一組數(shù)據(jù)進(jìn)行處理和分類。最終得到我們所想要研究的高級(jí)人機(jī)交互的實(shí)驗(yàn)結(jié)果。

【關(guān)鍵詞】情感識(shí)別；腦電信號(hào)；支持向量機(jī)

0 引言

腦電（ElectroEncephaloGram，EEG）也稱為腦電波圖，是測(cè)試人類大腦活動(dòng)的一個(gè)及其有效的工具。

人腦在活動(dòng)時(shí)，大腦皮層細(xì)胞所產(chǎn)生的微弱的生物電將隨著電平的變化而變化。本次實(shí)驗(yàn)是采取放置在頭皮表面的電極來(lái)探測(cè)各點(diǎn)之間的電勢(shì)差的時(shí)域變化。由于腦電圖是大腦內(nèi)部神經(jīng)細(xì)胞電生理活動(dòng)在大腦皮層的總體反映，所以腦電信號(hào)包含了大量的生理與心理信息[1]。

而人的情感十分復(fù)雜，從古至今人類的情感分類的認(rèn)知也從最基本的喜、怒、哀、樂(lè)、悲、恐、驚發(fā)展到了二維的情感分類模型。德國(guó)的心理學(xué)家馮特（Wundt）更是提出了三維的情感學(xué)說(shuō)，他認(rèn)為沖動(dòng)度、愉悅度和松弛度這三對(duì)情感元素構(gòu)成了人類的情感狀態(tài)。

目前，基于腦電信號(hào)的情感識(shí)別研究已經(jīng)頗具規(guī)模。研究目標(biāo)之一是通過(guò)各種不同的方法來(lái)找到適合EEG情感識(shí)別的特征，然后優(yōu)化模型，并提高該分類方法的準(zhǔn)確度[2]。另一目標(biāo)就是尋找出與情感識(shí)別活動(dòng)最相關(guān)的EEG頻段和腦區(qū)，為基于腦電研究提供良好的生理基礎(chǔ)。而這兩點(diǎn)目標(biāo)都是非常容易達(dá)到的，就目前而言已經(jīng)有較多的學(xué)者突破了這兩發(fā)面的研究。所以本文采取基于EEG的情感識(shí)別分類方法算是一種較科學(xué)和成熟的研究方法。

就目前而言，在已有的分類算法包括傳統(tǒng)的統(tǒng)計(jì)模式識(shí)別、決策樹（Decision Tree）、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）等。其中SVM分類方法基于統(tǒng)計(jì)學(xué)習(xí)理論，在解決小樣本、非線性及高維度模式識(shí)別中表現(xiàn)出許多的優(yōu)勢(shì)[3]。

1 SVM分類方法

1995年，由Corinna Cortes和Vapnik首先提出了支持向量機(jī)的概念。所謂的SVM方法，就是通過(guò)最大化分類邊界及最小化VC維，在保證經(jīng)驗(yàn)風(fēng)險(xiǎn)最小的基礎(chǔ)上最小化置信范圍，從而達(dá)到最小化結(jié)構(gòu)風(fēng)險(xiǎn)的目的。

支持向量機(jī)將向量映射到一個(gè)更高維的空間里，在這個(gè)空間里建立有一個(gè)最大間隔超平面。再分開數(shù)據(jù)的超平面的兩邊建有兩個(gè)互相平行的超平面。如下列舉SVM算法的一般步驟：訓(xùn)練集的設(shè)定→求解對(duì)偶問(wèn)題的最優(yōu)化→計(jì)算→構(gòu)造線性最優(yōu)分類超平面→得出決策函數(shù)。

2 設(shè)計(jì)方法

本實(shí)驗(yàn)所處理的數(shù)據(jù)是引用的參考文獻(xiàn)里附帶的數(shù)據(jù)[4]。腳本文件如下：

load fisheriris

load（'s01.mat'）

fs=100； %自己設(shè)置采樣頻率

T = 1/fs； % Sample time

L = 40； % Length of signal

x1 =data（1：end，1） ；

NFFT = 2^nextpow2（L）；%轉(zhuǎn)化為2的基數(shù)倍

f=fs/2*linspace（0，1，NFFT/2）； %求出FFT轉(zhuǎn)化頻率

E_change1=fft（x1，NFFT）/L； %進(jìn)行FFT變換

figure

plot（f，2*abs（E_change1（1：NFFT/2）），'.'）；

title（'腦電信號(hào)頻域圖1'）；

xlabel（'Frequre'）；ylabel（'頻譜值'）；

x2 =data（1：end，2） ；

E_change2=fft（x2，NFFT）/L； %進(jìn)行FFT變換

figure

plot（f，2*abs（E_change2（1：NFFT/2）），'.'）；title（'腦電信號(hào)頻域圖2'）；

xlabel（'Frequre'）；ylabel（'頻譜值'）；

figure

Y1=2*abs（E_change1（1：NFFT/2））；

Y2=2*abs（E_change2（1：NFFT/2））；

Y3=f；

adata=[Y1，Y2]；

groups=species（40：71）；

svmStruct=svmtrain（adata，groups，'ShowPlot'，true）；

Group=svmclassify（svmStruct，adata，'Showplot'，true）；

3 實(shí)驗(yàn)結(jié)果

上圖是本次實(shí)驗(yàn)基于SVM的EEG情感識(shí)別的結(jié)果圖，其中圖3是通過(guò)SVM的訓(xùn)練圖。圖4是基于SVM的分類圖。從圖中可以看出在超平面兩邊大致分出了我們事先定義的兩種不同的情感。

通過(guò)SVM對(duì)EEG數(shù)據(jù)進(jìn)行分類，讓40名被測(cè)者在自然情感下的皮膚溫度、心電等生理信號(hào)，并提取了所采集的生理信號(hào)數(shù)據(jù)的相關(guān)特征，然后運(yùn)用我們的SVM算法進(jìn)行情緒識(shí)別，正確率可達(dá)71%。

4 結(jié)論

目前，情緒識(shí)別是人機(jī)交互的熱點(diǎn)話題。通過(guò)研究人類個(gè)情感狀態(tài)所表現(xiàn)出來(lái)的特征，并用計(jì)算機(jī)來(lái)進(jìn)行情感識(shí)別，然后作出相應(yīng)的處理，以此來(lái)使人機(jī)交互更加智能化。

而腦電信號(hào)是由大腦內(nèi)部?jī)|萬(wàn)神經(jīng)元活動(dòng)在大腦皮層的綜合反映，能直接反映大腦的活動(dòng)情況。不同的思維狀態(tài)和情緒變化在不同的大腦皮層位置反映出不同的腦電信號(hào)。因此腦電信號(hào)含有豐富的有用信息。如何有效的處理腦電信息和提取信息，對(duì)于情感識(shí)別的研究具有重要的意義。

【參考文獻(xiàn)】

[1]吳乃玉.基于EEG信號(hào)的情緒分類研究[D].中央民族大學(xué)，2013.

[2]陳曾.腦電信號(hào)在情感識(shí)別中的研究[D].西南大學(xué)，2010.

[3]李立.基于腦電信號(hào)樣本熵的情感識(shí)別[D].太原理工大學(xué)，2014.

[4]Koelstra S，Muhl C，Soleymani M，et al.DEAP：A Database for Emotion Analysis；Using Physiological Signals[J].IEEE Transactions on Affective Computing，2011，3（1）：18-31.

[責(zé)任編輯：田吉捷]