李銘，喬曉艷

（山西大學(xué) 物理電子工程學(xué)院，山西 太原 030006）

0 引言

情緒影響著人們的行為，在日常生活中起著不可替代的作用。情感識(shí)別是情緒研究中重要的一環(huán)［1］，相較于面部表情、文本、語音等非生理信號(hào)［2］，腦電信號(hào)能夠真實(shí)、客觀地反映人的情感狀態(tài)，因此越來越多的學(xué)者將腦電信號(hào)應(yīng)用于人機(jī)情感交互的研究領(lǐng)域［3］。

傳統(tǒng)的基于腦電的情感識(shí)別主要是從時(shí)域、頻域、非線性信息熵中提取腦電特征，利用機(jī)器學(xué)習(xí)方法進(jìn)行情感識(shí)別［4］。Fang等提出了一種多特征深度森林模型來識(shí)別人的情感［5］，將腦電信號(hào)分為多個(gè)頻帶，從每個(gè)頻帶中提取功率譜密度（Power Spectral Density，PSD）和微分熵（Differential entropy，DE），以降維后的特征作為輸入，構(gòu)建深度森林模型，并對(duì)中性、憤怒、悲傷、快樂和愉快五種情感進(jìn)行分類，獲得71.05%的平均識(shí)別準(zhǔn)確率。陳景霞等人結(jié)合共空間模式和小波包分解算法［6］，對(duì)實(shí)驗(yàn)獲得的腦電波數(shù)據(jù)進(jìn)行空間濾波處理和小波包能量特征提取，采用裝袋樹、支持向量機(jī)（Support Vector Machines，SVM）、線性判別分析和貝葉斯線性判別分析分類器，分別對(duì)高興與悲傷兩類情感分類，最終使用SVM分類器達(dá)到86.20%的最高分類準(zhǔn)確率。Ali 等將小波能量、修正能量、小波熵和統(tǒng)計(jì)特征相結(jié)合，使用三個(gè)不同的分類器（二次鑒別分析、k近鄰和支持向量機(jī)）來魯棒地識(shí)別情緒［7］，獲得了83.87%的情緒四分類準(zhǔn)確率。朱永升等采用二次滑動(dòng)均值粗?；瘜?duì)腦電信號(hào)進(jìn)行多尺度處理［8］，利用快速樣本熵算法提取不同時(shí)間尺度的樣本熵作為特征向量，采用隨機(jī)森林分類器識(shí)別不同的情感狀態(tài)，對(duì)正性、中性和負(fù)性情感在大腦側(cè)額區(qū)獲得了88.75%的平均分類準(zhǔn)確率。Hwang等利用腦電信號(hào)中多通道及多頻帶的局部信息，提出了一種卷積神經(jīng)網(wǎng)絡(luò)模型的情緒識(shí)別方法［9］，在離散情感腦電數(shù)據(jù)集上實(shí)現(xiàn)了90.41%的平均識(shí)別準(zhǔn)確率。Joshi等提出了一種基于線性差分熵特征提取器和雙向長短時(shí)記憶網(wǎng)絡(luò)分類器的腦電信號(hào)情感檢測方法［10］，線性差分熵能有效地檢測腦電信號(hào)的非線性和非高斯性，雙向長短時(shí)記憶網(wǎng)絡(luò)捕捉腦電序列的長時(shí)依賴性，并從不同的腦區(qū)學(xué)習(xí)空間信息，該模型對(duì)SEED數(shù)據(jù)集的正性、負(fù)性和中性情緒識(shí)別準(zhǔn)確率達(dá)到了90.22%以上。但該模型算法較復(fù)雜，不便于實(shí)際應(yīng)用。

雖然現(xiàn)有的方法在情感識(shí)別領(lǐng)域取得了較好的效果，但大多數(shù)方法只考慮了腦電信號(hào)的時(shí)域、頻域或非線性特征，忽略了大腦信號(hào)豐富的空間關(guān)聯(lián)信息，而且情感識(shí)別模型提取的腦電特征數(shù)量較多、方法復(fù)雜，且特征存在冗余，影響情感識(shí)別模型的效率，難以得到實(shí)際應(yīng)用。為了充分利用腦電時(shí)空關(guān)聯(lián)特征信息，降低腦電情感識(shí)別的特征數(shù)量并減少提取方法的復(fù)雜性，本文通過研究不同導(dǎo)聯(lián)腦電的相關(guān)性與同步性，探索大腦時(shí)空關(guān)聯(lián)程度與不同情感狀態(tài)之間的對(duì)應(yīng)關(guān)系。通過提取腦電信號(hào)的皮爾遜相關(guān)系數(shù)，小波相干指數(shù)，以及相位同步指數(shù)，利用支持向量機(jī)分別對(duì)單特征以及特征組合，實(shí)現(xiàn)正性、負(fù)性和中性三種情感狀態(tài)的分類識(shí)別，為情感腦機(jī)接口系統(tǒng)的腦電信息解碼提供一種有效方法。

1 數(shù)據(jù)集與數(shù)據(jù)預(yù)處理

本文采用上海交通大學(xué)提供的數(shù)據(jù)集SEED［11-12］（SJTU Emotion EEG Dataset），該 數(shù)據(jù)集包含15名被試者（7名男性，8名女性），每名被試者每次實(shí)驗(yàn)觀看15個(gè)電影片段誘發(fā)不同情感（積極、消極、中性各5個(gè)片段），每次實(shí)驗(yàn)總共有15個(gè)對(duì)應(yīng)的trials。在一個(gè)trial 中，均有5 s的開始提示，電影播放時(shí)間4 min， 自我評(píng)估為45 s，休息時(shí)間15 s。實(shí)驗(yàn)的流程如圖1所示。所選影片均經(jīng)過測試評(píng)估，能有效誘發(fā)目標(biāo)情感。每名被試者進(jìn)行三輪實(shí)驗(yàn)，每輪實(shí)驗(yàn)的時(shí)間相隔為一周，每名被試者共進(jìn)行了45次實(shí)驗(yàn)。

每名被試者每次情感誘發(fā)實(shí)驗(yàn)均記錄了62個(gè)通道的腦電信號(hào)，根據(jù)國際10-20標(biāo)準(zhǔn)系統(tǒng)采集大腦不同位置的腦電，62個(gè)導(dǎo)聯(lián)分布如圖2所示。SEED數(shù)據(jù)集包含兩部分?jǐn)?shù)據(jù)：一是經(jīng)過預(yù)處理后的情感腦電數(shù)據(jù)，截取自大約4 min的視頻觀影時(shí)所對(duì)應(yīng)的腦電信號(hào)，去除眼電、肌電偽跡并降采樣至200 Hz；另一部分是生成的特征數(shù)據(jù)集［12］，這些特征包括功率譜密度（PSD）、微分熵（DE）、微分非對(duì)稱性（DASM）、有理非對(duì)稱性（RASM）、非對(duì)稱性（ASM）和微分尾端性（DCAU）特征。

為了避免重復(fù)實(shí)驗(yàn)對(duì)誘發(fā)情感強(qiáng)度的影響，本文統(tǒng)一采用所有被試者第一輪次實(shí)驗(yàn)時(shí)采集到的腦電數(shù)據(jù)。對(duì)所有被試者，以單導(dǎo)聯(lián)中為樣本進(jìn)行特征的提取，得到尺寸為［15×15×62］的樣本集合，其中第一個(gè)15為被試者數(shù)量，第二個(gè)15為每名被試者在一次實(shí)驗(yàn)中觀看的電影片段數(shù)量，62為空間電極導(dǎo)聯(lián)數(shù)量。針對(duì)每一種情感狀態(tài)，得到樣本的數(shù)量大小為4650（15×5×62）。

2 特征提取與分析

由于腦電節(jié)律活動(dòng)的強(qiáng)弱反映了大腦不同的工作狀態(tài)，同時(shí)不同的腦電節(jié)律與情感狀態(tài)密切相關(guān)。本文首先對(duì)采集的腦電信號(hào)采用數(shù)字帶通濾波器，獲取 theta（4 Hz～8 Hz）、alpha（8 Hz～13 Hz）、beta（13 Hz～30 Hz）和 gamma（31 Hz～45 Hz）四個(gè)不同頻段的腦電節(jié)律，并選取與情緒相關(guān)聯(lián)的腦電α、β與γ節(jié)律，分別在3個(gè)節(jié)律與全頻段腦電計(jì)算皮爾遜相關(guān)系數(shù)、小波相干指數(shù)以及相位同步指數(shù)，分析不同導(dǎo)聯(lián)腦電的相關(guān)性與同步性。

2.1 腦電皮爾遜相關(guān)系數(shù)

2.1.1 皮爾遜相關(guān)系數(shù)

皮爾遜相關(guān)系數(shù)用于考察兩個(gè)變量之間的相關(guān)程度，兩個(gè)不同信號(hào)之間的皮爾遜系數(shù)計(jì)算如下：

其中，E（X）表示信號(hào)的數(shù)學(xué)期望，μX表示該信號(hào)的幅度平均值，σX為該信號(hào)的標(biāo)準(zhǔn)差，cov（X，Y）表示兩個(gè)不同信號(hào)之間的協(xié)方差，ρX，Y表示兩個(gè)不同信號(hào)X與Y間的皮爾遜相關(guān)系數(shù)。對(duì)于變量X和Y，皮爾遜相關(guān)系數(shù)的含義為：當(dāng)相關(guān)系數(shù)為0時(shí)，X和Y兩變量無相關(guān)性；當(dāng)X值增大（減小），Y值增大（減小），兩個(gè)變量為正相關(guān)，相關(guān)系數(shù)在0.00與1.00之間；當(dāng)X值增大（減?。?，Y值減小（增大），兩個(gè)變量為負(fù)相關(guān)，相關(guān)系數(shù)在?1.00與0.00之間。同時(shí)相關(guān)系數(shù)的絕對(duì)值越大，相關(guān)性越強(qiáng)，相關(guān)系數(shù)越接近于1或?1，相關(guān)程度越強(qiáng)，相關(guān)系數(shù)越接近于0，相關(guān)程度越弱。

2.1.2 不同導(dǎo)聯(lián)腦電信號(hào)的皮爾遜相關(guān)系數(shù)

本文提取62個(gè)導(dǎo)聯(lián)的腦電兩兩信號(hào)之間的皮爾遜相關(guān)系數(shù)，以某導(dǎo)聯(lián)與62個(gè)導(dǎo)聯(lián)信號(hào)間的皮爾遜相關(guān)系數(shù)作為該導(dǎo)聯(lián)上提取的62維特征，其中相同導(dǎo)聯(lián)腦電的皮爾遜相關(guān)系數(shù)為1。圖3表示被試1誘發(fā)正性與負(fù)性情感時(shí)，62個(gè)導(dǎo)聯(lián)腦電信號(hào)間皮爾遜相關(guān)系數(shù)矩陣，橫縱坐標(biāo)表示分別為腦電導(dǎo)聯(lián)，不同顏色代表導(dǎo)聯(lián)間的皮爾遜相關(guān)系數(shù)大小。

由圖3可知，在正性情感視頻誘發(fā)下，對(duì)應(yīng)31?62號(hào)導(dǎo)聯(lián)之間的皮爾遜相關(guān)系數(shù)較大，這些導(dǎo)聯(lián)的位置分布在大腦的中央?yún)^(qū)、頂葉與枕葉區(qū)域，表明誘發(fā)正性情感時(shí)，大腦中央?yún)^(qū)與枕區(qū)、頂區(qū)之間相關(guān)性增強(qiáng)，同一腦區(qū)的神經(jīng)元之間活動(dòng)性較強(qiáng)，相互作用增多。受試者被負(fù)性情感的視頻刺激后，對(duì)應(yīng)41?62號(hào)導(dǎo)聯(lián)之間的皮爾遜相關(guān)系數(shù)較大，這些導(dǎo)聯(lián)的位置分布在大腦的頂葉與枕葉區(qū)域，表明誘發(fā)負(fù)性情感時(shí)，大腦枕區(qū)與頂區(qū)之間相關(guān)性較強(qiáng)。受試者被中性情感的視頻誘發(fā)下，同一腦區(qū)之間、不同腦區(qū)之間皮爾遜相關(guān)系數(shù)均較小，表明中性情感相比正、負(fù)性情感，大腦腦區(qū)活動(dòng)的相關(guān)性減弱。

2.2 小波相干系數(shù)特征提取

2.2.1 小波相干系數(shù)

小波相干是在小波變換基礎(chǔ)上計(jì)算信號(hào)的時(shí)頻相干性，具有突出信號(hào)的局部特征的能力。腦電信號(hào)是一種非平穩(wěn)隨機(jī)信號(hào)，因此本文采用小波相干方法，研究不同情感狀態(tài)對(duì)應(yīng)的腦電導(dǎo)聯(lián)之間時(shí)域與頻域的局部化關(guān)聯(lián)特征，以此體現(xiàn)不同腦區(qū)之間的時(shí)頻關(guān)聯(lián)強(qiáng)度。

不同信號(hào)間的小波相干系數(shù)定義［13］為：

公式（2）中，Cx(a，b)和 Cy(a，b)表示 x和 y兩個(gè)不同信號(hào)在尺度因子a和平移因子b的連續(xù)小波變換的小波系數(shù)，上標(biāo)*表示復(fù)共軛，S表示小波系數(shù)在時(shí)間和尺度上的平滑算子。小波相干系數(shù)是兩組信號(hào)在時(shí)頻域局部相干性的度量。

2.2.2 不同腦電信號(hào)的小波相干系數(shù)

按照2.2.1中的公式，計(jì)算腦電62個(gè)導(dǎo)聯(lián)兩兩信號(hào)之間的小波相干系數(shù)，相同導(dǎo)聯(lián)間的小波相干系數(shù)歸一化為1。圖4表示被試1在誘發(fā)正性與負(fù)性情感時(shí)，全導(dǎo)聯(lián)腦電信號(hào)的小波相干系數(shù)，橫縱坐標(biāo)表示分別為腦電導(dǎo)聯(lián)，不同顏色代表導(dǎo)聯(lián)間的小波相干系數(shù)大小。

由圖4可知，在正性情感的視頻誘發(fā)下，對(duì)應(yīng)1?10號(hào)導(dǎo)聯(lián)之間、50?62號(hào)導(dǎo)聯(lián)之間的腦電小波相干系數(shù)較大，這些導(dǎo)聯(lián)的位置分布在大腦的額葉與枕葉區(qū)域，表明在正性情感誘發(fā)下，大腦額區(qū)、枕區(qū)的局部聯(lián)系與活動(dòng)增強(qiáng)；對(duì)應(yīng)1?28號(hào)導(dǎo)聯(lián)與36?62號(hào)導(dǎo)聯(lián)之間呈現(xiàn)弱相干性，表明大腦額葉與顳葉區(qū)域在處于誘發(fā)正性情感狀態(tài)時(shí)與其他腦區(qū)的協(xié)同性與聯(lián)系減弱。受試者被負(fù)性情感的視頻刺激后，對(duì)應(yīng)1?10號(hào)導(dǎo)聯(lián)之間、50?62號(hào)導(dǎo)聯(lián)之間，腦電小波相干系數(shù)減小。表明誘發(fā)負(fù)性情感后，大腦對(duì)應(yīng)的額區(qū)、枕區(qū)的局部聯(lián)系與活動(dòng)減弱，同一腦區(qū)間的活動(dòng)性減弱。中性情感相比負(fù)性情感，小波相干系數(shù)變化不顯著。對(duì)比正性與負(fù)性情感的小波相干系數(shù)圖，大腦同一區(qū)域腦電的小波相干系數(shù)，正性情感狀態(tài)要比負(fù)性情感狀態(tài)大，表明其活動(dòng)程度增強(qiáng)。而在大腦不同區(qū)域，正性情感與負(fù)性情感的小波相干系數(shù)差別不顯著，表明大腦不同區(qū)域的協(xié)同性沒有明顯變化。

2.3 相位同步指數(shù)特征提取

2.3.1 Hilbert相位同步性

相位同步性是分析兩個(gè)或多個(gè)周期性振蕩信號(hào)的同步振蕩關(guān)系［14］。相位同步是大腦功能整合的機(jī)制之一。本文利用Hilbert變換將腦電信號(hào)分解為獨(dú)立的相位與幅度，能夠完全保留原不同導(dǎo)聯(lián)腦電活動(dòng)的相位特性，反映腦電信號(hào)的變化趨勢，突出信號(hào)的實(shí)時(shí)性［15］。

給定信號(hào)x(t)，通過Hilbert變換后為

其解析信號(hào)定義為：

定義n∶m為兩信號(hào)間的相位鎖定比，一般n∶m=1∶1。

相位同步指數(shù)［16］為

其中，“t”表示時(shí)間平均，γH的取值范圍為0～1。當(dāng)γH=0時(shí)，兩信號(hào)之間無任何相位同步；當(dāng)γH=1時(shí)，兩信號(hào)之間有穩(wěn)定的相位差，即表現(xiàn)為相位同步。γH最重要的一個(gè)特點(diǎn)就是，它只對(duì)信號(hào)的相位敏感，而對(duì)幅度沒有反映。相位同步指數(shù)法直觀且可應(yīng)用于非線性信號(hào)之間的同步性分析。

2.3.2 腦電導(dǎo)聯(lián)信號(hào)間的相位同步性

通過使用Hilbert函數(shù)，求取62導(dǎo)聯(lián)信號(hào)的平均相位，最后通過計(jì)算導(dǎo)聯(lián)信號(hào)間的相位差從而求取導(dǎo)聯(lián)信號(hào)間相位同步指數(shù)，圖5表示1號(hào)被試者通過電影片段誘發(fā)正性與負(fù)性情緒時(shí)，全導(dǎo)聯(lián)腦電信號(hào)的相位同步指數(shù)，橫縱坐標(biāo)分別為腦電導(dǎo)聯(lián)數(shù)目，不同顏色代表導(dǎo)聯(lián)間的相位同步指數(shù)大小。

由圖5可知，在正負(fù)性情感的視頻刺激下，對(duì)應(yīng)35?62號(hào)導(dǎo)聯(lián)之間的相位同步指數(shù)較大，這些導(dǎo)聯(lián)的位置分布在大腦的中央?yún)^(qū)、頂葉與枕葉區(qū)域，這表明在誘發(fā)正性與負(fù)性情感時(shí)，大腦中央?yún)^(qū)與頂葉與枕葉區(qū)域間的同步性增強(qiáng)，產(chǎn)生同步振蕩現(xiàn)象，協(xié)同性較強(qiáng)。在中性情感的視頻刺激下，各導(dǎo)聯(lián)之間的相位同步指數(shù)較小，表明在誘發(fā)中性情感時(shí)，腦電導(dǎo)聯(lián)之間的協(xié)同性較低。

3 情感分類與結(jié)果分析

3.1 分類模型評(píng)價(jià)

由于特征提取在情感識(shí)別中具有重要的作用，獲得與情感狀態(tài)緊密關(guān)聯(lián)的腦電特征直接影響著情感識(shí)別的精度，本文重點(diǎn)在于腦電時(shí)空關(guān)聯(lián)特征信息的提取和利用，情感分類方法不作為研究重點(diǎn)，因此在情感分類時(shí)，采用了當(dāng)前應(yīng)用比較廣泛且具有較好分類性能的支持向量機(jī)分類器。為有效合理地利用訓(xùn)練數(shù)據(jù)訓(xùn)練分類器，提高分類器的泛化能力，將訓(xùn)練數(shù)據(jù)平均分成N份（N=5），隨機(jī)取一份作為測試數(shù)據(jù)，其他N?1份作為訓(xùn)練數(shù)據(jù)，進(jìn)行交叉驗(yàn)證，獲得分類器模型的最佳參數(shù)。采用網(wǎng)格搜索法尋找SVM核函數(shù)最佳參數(shù)v和c，對(duì)v和c設(shè)定一組初值，并以網(wǎng)格步進(jìn)方式搜索，對(duì)每一組參數(shù)（c，v）計(jì)算分類正確率，正確率最大的那組參數(shù)對(duì)應(yīng)設(shè)置為核函數(shù)最佳參數(shù)值。為防止數(shù)據(jù)不平衡導(dǎo)致某一類情感分類的結(jié)果變差，采用的正性、負(fù)性與中性情感的樣本數(shù)據(jù)是均衡的。

分類問題中常用分類準(zhǔn)確率（Accuracy，Acc）、精確率（Precision，P）、召回率（Recall，R）和F1值評(píng)價(jià)分類性能，可以用混淆矩陣表示評(píng)價(jià)指標(biāo)。其中，精確率是指預(yù)測出來的正例中正確的比例，召回率是指該正例被預(yù)測出來的比例，精確率和召回率越高，該分類器性能越好。F1值可以反映精確率和召回率。F1值越大，表明分類器泛化性能越好。

3.2 腦電不同空間關(guān)聯(lián)特征的情感識(shí)別分析

本文首先利用全波段腦電信號(hào)的皮爾遜相關(guān)系數(shù)、小波相干系數(shù)、相位同步指數(shù)分別進(jìn)行單特征情感分類，之后將三個(gè)特征組合再次進(jìn)行情感分類，驗(yàn)證所選擇的腦電空間關(guān)聯(lián)特征以及分類器對(duì)情感識(shí)別的有效性。圖6為基于不同腦電特征的情感分類結(jié)果的混淆矩陣，圖7為不同腦電特征的分類結(jié)果對(duì)比。

圖6與圖7結(jié)果表明，分別采用單一特征進(jìn)行情感分類的情況下，皮爾遜相關(guān)系數(shù)可以獲得88.8%的情感識(shí)別準(zhǔn)確率，分類精確率為88.6%，召回率為89.4%，F(xiàn)1值為0.899，相比較小波相干系數(shù)和相位同步指數(shù)，其情感分類效果更好。而在三類特征進(jìn)行組合后，情感三分類的平均識(shí)別準(zhǔn)確率達(dá)到91.5%，平均提升5.5%，情感識(shí)別效果最好。結(jié)果表明選擇皮爾遜相關(guān)系數(shù)、小波相干系數(shù)以及相位同步指數(shù)作為情感腦電特征，在單特征與三特征組合輸入時(shí)，情感識(shí)別都具有較好的分類性能，其分類準(zhǔn)確率均在80%以上，且特征組合比單一特征的分類準(zhǔn)確率高。表明利用腦電的時(shí)空信息可以有效的進(jìn)行情感分類。

3.3 腦電不同節(jié)律的情感識(shí)別分析

使用全頻段腦電的空間關(guān)聯(lián)特征進(jìn)行情感識(shí)別，并驗(yàn)證其有效性之后，本文還在不同的腦電節(jié)律（α、β、γ）下，分別采用皮爾遜相關(guān)系數(shù)、小波相干系數(shù)和相位同步指數(shù)，通過支持向量機(jī)進(jìn)行情感分類，以獲取與情感分類最相關(guān)的腦電節(jié)律。表1為3種不同腦電節(jié)律及全頻段腦電的情感分類平均正確率對(duì)比。

由表1可知，采用皮爾遜相關(guān)系數(shù)和相位同步指數(shù)特征時(shí)，全頻段腦電的情感識(shí)別平均準(zhǔn)確率最高，分別達(dá)到88.8%與87.6%，比單一節(jié)律下平均高出16.7%與5.8%，表明全頻段腦電的空間關(guān)聯(lián)特征充分利用了腦電的頻域信息，可以挖掘到腦電更多的表征情感的信息，有利于提高情感識(shí)別正確率。此外，對(duì)于α、β、γ節(jié)律，相位同步指數(shù)特征都取得了較好的單特征分類結(jié)果，同時(shí)γ節(jié)律相對(duì)其他兩個(gè)節(jié)律都取得了單一特征下較好的情感識(shí)別正確率，表明腦電的γ節(jié)律與情感關(guān)聯(lián)更密切，γ節(jié)律是大腦認(rèn)知和情緒加工的基礎(chǔ)。

同時(shí)發(fā)現(xiàn)，在腦電全頻段與不同節(jié)律下，皮爾遜相關(guān)系數(shù)的情感識(shí)別結(jié)果相差了14.8%～17.8%，而相位同步指數(shù)的識(shí)別結(jié)果僅相差4.7%～6.7%，表明在腦電不同節(jié)律下，相位同步指數(shù)具有更穩(wěn)定的情感分類性能，而在腦電全頻段下，皮爾遜相關(guān)系數(shù)對(duì)情感識(shí)別的效果更好。

3.4 腦電頻域特征的空間相關(guān)性情感識(shí)別分析

由于全頻段腦電信號(hào)的皮爾遜相關(guān)系數(shù)，在單一特征情感分類中獲得了較好的分類性能，因此本文利用SEED數(shù)據(jù)集生成腦電特征數(shù)據(jù)集，對(duì)提取得到的腦電功率譜密度、微分熵、微分非對(duì)稱性、有理非對(duì)稱性、非對(duì)稱性和微分尾端性特征，進(jìn)一步計(jì)算各個(gè)導(dǎo)聯(lián)的腦電特征之間的皮爾遜相關(guān)系數(shù)。通過對(duì)比數(shù)據(jù)集中的六類特征，發(fā)現(xiàn)功率譜（PSD）與微分熵（DE）特征對(duì)于情感識(shí)別有較好的效果，因此選擇腦電這兩個(gè)特征計(jì)算導(dǎo)聯(lián)之間的皮爾遜相關(guān)系數(shù)，并與采用原始腦電計(jì)算導(dǎo)聯(lián)之間的皮爾遜相關(guān)系數(shù)進(jìn)行比較，結(jié)果如圖8所示。

由圖8可知，基于腦電PSD特征的皮爾遜相關(guān)系數(shù)，三種情感狀態(tài)識(shí)別的平均準(zhǔn)確率達(dá)到90.6%，比采用原始腦電數(shù)據(jù)的皮爾遜相關(guān)系數(shù)進(jìn)行分類，正確率提升了1.8%；基于腦電DE特征的皮爾遜相關(guān)系數(shù)，平均分類準(zhǔn)確率達(dá)到93.7%，識(shí)別正確率提升了4.9%，并且精確率、召回率和F1值均有明顯提高。該結(jié)果表明，對(duì)腦電信號(hào)先提取特征信息，再計(jì)算不同導(dǎo)聯(lián)特征之間的空間相關(guān)性作為新的特征，其分類器擁有更好的識(shí)別性能。

3.5 與現(xiàn)有方法對(duì)比

同樣使用SEED數(shù)據(jù)集進(jìn)行情感三分類，本文方法較其他方法取得了更好的情感分類結(jié)果，如表2所示。與文獻(xiàn)［17］采用腦電的線性與非線性特征結(jié)合支持向量機(jī)進(jìn)行情感三分類比較，識(shí)別正確率提高了10.4%；與文獻(xiàn)［7］采用線性差分熵特征結(jié)合雙向長短時(shí)記憶網(wǎng)絡(luò)進(jìn)行情感三分類比較，識(shí)別正確率提高了3.5%；與文獻(xiàn)［18］采用的腦電融合特征結(jié)合卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行情感三分類比較，識(shí)別正確率提高了5.5%。本文方法優(yōu)于其他方法的原因在于提取了不同導(dǎo)聯(lián)腦電微分熵特征的皮爾遜相關(guān)系數(shù)，充分利用了腦電信號(hào)的時(shí)空關(guān)聯(lián)信息，從而獲得較好的情感分類效果。

4 結(jié)束語

本文通過提取腦電皮爾遜相關(guān)系數(shù)、小波相干系數(shù)和相位同步指數(shù)，提出了一種腦電導(dǎo)聯(lián)之間的相關(guān)性和同步性作為特征信息進(jìn)行情感識(shí)別的方法，該方法僅通過單一的空間關(guān)聯(lián)特征即可獲得較高的情感識(shí)別正確率和泛化能力，特征提取方法簡單實(shí)用，分類性能良好。實(shí)驗(yàn)結(jié)果表明，提取腦電相關(guān)性與同步性特征，在單一特征以及三類特征組合的情況下，都可以得到較好的情感分類準(zhǔn)確率；腦電相位同步指數(shù)相比皮爾遜相關(guān)系數(shù)、小波相干系數(shù)兩個(gè)特征，在單一節(jié)律與全頻段條件下都取得了較好的情感識(shí)別效果。從而利用腦電信號(hào)的空間關(guān)聯(lián)信息，采用少量特征進(jìn)行情感識(shí)別是有效的。該研究可以應(yīng)用于實(shí)時(shí)的情感腦機(jī)接口系統(tǒng)中，實(shí)現(xiàn)快速準(zhǔn)確的情感識(shí)別。