基于EEG的情感识别

冯晓婷　丁月恒　顾锦

【摘 要】本文主要介绍基于脑电（EEG）的人类情感的识别。而本文介绍应用的方法就是利用MATLAB软件通过支持向量机（SVM）的算法，将我们事先得到的一组数据进行处理和分类。最终得到我们所想要研究的高级人机交互的实验结果。

【关键词】情感识别；脑电信号；支持向量机

0 引言

脑电（ElectroEncephaloGram，EEG）也称为脑电波图，是测试人类大脑活动的一个及其有效的工具。

人脑在活动时，大脑皮层细胞所产生的微弱的生物电将随着电平的变化而变化。本次实验是采取放置在头皮表面的电极来探测各点之间的电势差的时域变化。由于脑电图是大脑内部神经细胞电生理活动在大脑皮层的总体反映，所以脑电信号包含了大量的生理与心理信息[1]。

而人的情感十分复杂，从古至今人类的情感分类的认知也从最基本的喜、怒、哀、乐、悲、恐、惊发展到了二维的情感分类模型。德国的心理学家冯特（Wundt）更是提出了三维的情感学说，他认为冲动度、愉悦度和松弛度这三对情感元素构成了人类的情感状态。

目前，基于脑电信号的情感识别研究已经颇具规模。研究目标之一是通过各种不同的方法来找到适合EEG情感识别的特征，然后优化模型，并提高该分类方法的准确度[2]。另一目标就是寻找出与情感识别活动最相关的EEG频段和脑区，为基于脑电研究提供良好的生理基础。而这两点目标都是非常容易达到的，就目前而言已经有较多的学者突破了这两发面的研究。所以本文采取基于EEG的情感识别分类方法算是一种较科学和成熟的研究方法。

就目前而言，在已有的分类算法包括传统的统计模式识别、决策树（Decision Tree）、人工神经网络、支持向量机（SVM）等。其中SVM分类方法基于统计学习理论，在解决小样本、非线性及高维度模式识别中表现出许多的优势[3]。

1 SVM分类方法

1995年，由Corinna Cortes和Vapnik首先提出了支持向量机的概念。所谓的SVM方法，就是通过最大化分类边界及最小化VC维，在保证经验风险最小的基础上最小化置信范围，从而达到最小化结构风险的目的。

支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。再分开数据的超平面的两边建有两个互相平行的超平面。如下列举SVM算法的一般步骤：训练集的设定→求解对偶问题的最优化→计算→构造线性最优分类超平面→得出决策函数。

2 设计方法

本实验所处理的数据是引用的参考文献里附带的数据[4]。脚本文件如下：

load fisheriris

load（'s01.mat'）

fs=100； %自己设置采样频率

T = 1/fs； % Sample time

L = 40； % Length of signal

x1 =data（1：end，1） ；

NFFT = 2^nextpow2（L）；%转化为2的基数倍

f=fs/2*linspace（0，1，NFFT/2）； %求出FFT转化频率

E_change1=fft（x1，NFFT）/L； %进行FFT变换

figure

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

title（'脑电信号频域图1'）；

xlabel（'Frequre'）；ylabel（'频谱值'）；

x2 =data（1：end，2） ；

E_change2=fft（x2，NFFT）/L； %進行FFT变换

figure

plot（f，2*abs（E_change2（1：NFFT/2）），'.'）；title（'脑电信号频域图2'）；

xlabel（'Frequre'）；ylabel（'频谱值'）；

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 实验结果

上图是本次实验基于SVM的EEG情感识别的结果图，其中图3是通过SVM的训练图。图4是基于SVM的分类图。从图中可以看出在超平面两边大致分出了我们事先定义的两种不同的情感。

通过SVM对EEG数据进行分类，让40名被测者在自然情感下的皮肤温度、心电等生理信号，并提取了所采集的生理信号数据的相关特征，然后运用我们的SVM算法进行情绪识别，正确率可达71%。

4 结论

目前，情绪识别是人机交互的热点话题。通过研究人类个情感状态所表现出来的特征，并用计算机来进行情感识别，然后作出相应的处理，以此来使人机交互更加智能化。

而脑电信号是由大脑内部亿万神经元活动在大脑皮层的综合反映，能直接反映大脑的活动情况。不同的思维状态和情绪变化在不同的大脑皮层位置反映出不同的脑电信号。因此脑电信号含有丰富的有用信息。如何有效的处理脑电信息和提取信息，对于情感识别的研究具有重要的意义。

【参考文献】

[1]吴乃玉.基于EEG信号的情绪分类研究[D].中央民族大学，2013.

[2]陈曾.脑电信号在情感识别中的研究[D].西南大学，2010.

[3]李立.基于脑电信号样本熵的情感识别[D].太原理工大学，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.

[责任编辑：田吉捷]