基于庞加莱图和二阶差分图的脑电情绪识别方法及装置制造方法及图纸

本发明专利技术涉及信号处理、情绪识别技术领域，为实现情绪脑电信号更全面更深入的非线性分析，提高情绪识别的准确性，本发明专利技术，基于庞加莱图和二阶差分图的脑电情绪识别方法及装置，步骤如下：步骤S1：采集脑电信号；步骤S2：对脑电信号预处理；步骤S3：对所述预处理信号分解和重构；步骤S4：对预处理信号提取所有本征模函数；步骤S5：绘制各个频带脑电信号的庞加莱图；步骤S6：绘制各个本征模函数的二阶差分图；步骤S7：提取所述庞加莱图的特征；步骤S8：提取所述二阶差分图的特征；步骤S9：进行特征拼接、筛选和降维，得到特征子集；步骤S10：将特征子集输入至分类器中进行分类。本发明专利技术主要应用于情绪识别场合。绪识别场合。绪识别场合。

【技术实现步骤摘要】
基于庞加莱图和二阶差分图的脑电情绪识别方法及装置


[0001]本专利技术涉及信号处理、情绪识别
，尤其涉及一种基于庞加莱图和二阶差分图的脑电情绪识别方法及装置，具体涉及基于庞加莱图和二阶差分图的脑电情绪识别方法及装置。

技术介绍

[0002]情绪与人类的生活密切相关，积极的情绪可以提高人们的生活质量，而负面情绪会对人的生活产生消极影响。情绪识别技术可以在医疗康复、交通、军事、教育、游戏娱乐等领域实现更自然的人机交互。脑电图(EEG)被认为是一种有效表征不同情绪的生理信号，因为脑电图可以客观地记录我们的大脑活动，而人脑是情绪处理的中枢神经系统。
[0003]应采取适当的方法从脑电图中提取有意义的信息。大量的研究人员基于线性信号处理进行脑电情绪识别研究，包括时域测量、统计特征、谱分析等方法。尽管使用这些技术获得了相对较好的结果，但它们忽略了脑电信号的非线性和非平稳性，例如傅里叶变换无法从非线性和非平稳的复杂生物信号中提取有意义的信息。因此又有一些研究人员使用非线性测量方法，包括近似熵、李雅普诺夫指数、相关维数和样本熵，以评估情绪过程中脑电信号的动态变化。现有技术大多只使用单一的非线性分析技术提取特征，没有对情绪脑电信号进行更全面更深入的非线性分析，情绪脑电信号中的细微变化和隐含特征没有被充分挖掘。一些现有技术使用深度模型包括深度信念网络(DBN)、双向长短时记忆网络(Bi
‑
LSTM)模型、卷积神经网络(CNN)等对脑电信号非线性分析的计算复杂，不适用于便携式装置。

技术实现思路
<br/>[0004]为克服现有技术的不足，本专利技术旨在提出一种基于庞加莱图和二阶差分图的脑电情绪识别方法及装置，以实现情绪脑电信号更全面更深入的非线性分析，挖掘情绪脑电信号中的细微变化和隐含特征，提高情绪识别的准确性且更加适用于便携式装置。为此，本专利技术采取的技术方案是，基于庞加莱图和二阶差分图的脑电情绪识别方法，步骤如下：
[0005]步骤S1：基于用户头皮表面的传感器采集脑电信号；
[0006]步骤S2：对所述脑电信号预处理，得到预处理信号；
[0007]步骤S3：使用双树复小波包变换对所述预处理信号分解和重构，得到特定频带的脑电信号。
[0008]步骤S4：使用经验模态分解对所述预处理信号提取所有本征模函数；
[0009]步骤S5：绘制各个频带脑电信号的庞加莱图；
[0010]步骤S6：绘制各个本征模函数的二阶差分图；
[0011]步骤S7：提取所述庞加莱图的特征；
[0012]步骤S8：提取所述二阶差分图的特征；
[0013]步骤S9：将所述S7和S8得到的庞加莱图和二阶差分图的特征拼接、筛选和降维，得
到特征子集；
[0014]步骤S10：将特征子集输入至分类器中进行分类，完成情绪识别。
[0015]进一步，还包括：
[0016]步骤S11：根据情绪识别结果，自适应地调整人机交互模式。如果用户长时间处于负性情绪状态(如悲伤、恐惧、愤怒、厌恶)，提示专家进行心理状态干预。所述步骤S2详细步骤如下：
[0017]S2.1对脑电信号进行带通滤波和陷波滤波去除基线漂移、高频噪声和工频干扰；
[0018]S2.2对S2.1得到的脑电信号应用独立分量分析ICA(Independent Component Analysis)，去除眼电、肌电等伪迹，得到预处理信号。
[0019]所述步骤S3详细步骤如下：
[0020]S3.1基于双树复小波包变换方法对所述步骤S2的预处理信号进行n层双树复小波包分解，将预处理信号分解为2
n
个子频带,对于[0,f
s
]信号，各子频带的频率范围分别为[0,f
s
/2
n
]、 [f
s
/2
n
,2
×
f
s
/2
n
]、[2
×
f
s
/2
n
,3
×
f
s
/2
n
]……
[(2
n
‑
1)
×
f
s
/2
n
,2
n
×
f
s
/2
n
]；
[0021]S3.2对2
n
个子频带信号进行双树复小波包逆变换重构，得到特定频带的脑电信号。
[0022]所述步骤S5具体包括：
[0023]S5.1将所述步骤S3得到的各个频带的脑电信号通过矩形窗分段；
[0024]S5.2对每个窗口的分频带脑电信号绘制庞加莱图：将每个窗口的脑电时间序列视为X1, X2,X3…
,X
N
，以序列的当前值X
i
作为x轴变量，下一时刻序列X
i+1
为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,X2)(X2,X3)(X3,X4)
…
,(X
i
,X
i+1
),得到序列X
i
的庞加莱图，X
i
是每个脑电信号采样点，其中i∈1,2,...,N
‑
1,N是窗口中采样点的个数，共得到频带数
×
窗口数张庞加莱图。
[0025]所述步骤S6具体包括：
[0026]S6.1将所述步骤S4得到的各个本征模函数通过矩形窗分段；
[0027]S6.2对每个窗口的本征模函数绘制二阶差分图：将第k个本征模函数的时间序列视为 IMF
k
(1),IMF
k
(2),IMF
k
(3),
…
,IMF
k
(N)，令X
i
＝IMF
k
(i+1)
‑
IMF
k
(i)， Y
i
＝IMF
k
(i+2)
‑
IMF
k
(i+1)，以X
i
作为x轴变量，Y
i
为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,Y1),(X2,Y2),(X3,Y3),
…
,(X
i
,Y
i
),得到序列IMF
k
的二阶差分图，X
i
是每个脑电信号采样点，其中i∈1,2,...,N
‑
2,N是窗口中采样点的个数，共得到本征模函数的个数
×
窗口数张二阶差分图。
[0028]所述步骤S7中提取的特征具体包括：
[0029](1)位于恒等线y＝x上的点数N
[0030](2)庞加莱图拟合椭圆的短轴SD1垂直于恒等线y＝x，长轴本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于庞加莱图和二阶差分图的脑电情绪识别方法，其特征是，步骤如下：步骤S1：基于用户头皮表面的传感器采集脑电信号；步骤S2：对所述脑电信号预处理，得到预处理信号；步骤S3：使用双树复小波包变换对所述预处理信号分解和重构，得到特定频带的脑电信号；步骤S4：使用经验模态分解对所述预处理信号提取所有本征模函数；步骤S5：绘制各个频带脑电信号的庞加莱图；步骤S6：绘制各个本征模函数的二阶差分图；步骤S7：提取所述庞加莱图的特征；步骤S8：提取所述二阶差分图的特征；步骤S9：将所述S7和S8得到的庞加莱图和二阶差分图的特征拼接、筛选和降维，得到特征子集；步骤S10：将特征子集输入至分类器中进行分类，完成情绪识别。2.如权利要求1所述的基于庞加莱图和二阶差分图的脑电情绪识别方法，其特征是，所述步骤S2详细步骤如下：S2.1对脑电信号进行带通滤波和陷波滤波去除基线漂移、高频噪声和工频干扰；S2.2对S2.1得到的脑电信号应用独立分量分析ICA(Independent Component Analysis)，去除眼电、肌电等伪迹，得到预处理信号；所述步骤S3详细步骤如下：S3.1基于双树复小波包变换方法对所述步骤S2的预处理信号进行n层双树复小波包分解，将预处理信号分解为2
n
个子频带,对于[0,f
s
]信号，各子频带的频率范围分别为[0,f
s
/2
n
]、[f
s
/2
n
,2
×
f
s
/2
n
]、[2
×
f
s
/2
n
,3
×
f
s
/2
n
]
……
[(2
n
‑
1)
×
f
s
/2
n
,2
n
×
f
s
/2
n
]；S3.2对2
n
个子频带信号进行双树复小波包逆变换重构，得到特定频带的脑电信号。3.如权利要求1所述的基于庞加莱图和二阶差分图的脑电情绪识别方法，其特征是，所述步骤S5具体包括：S5.1将所述步骤S3得到的各个频带的脑电信号通过矩形窗分段；S5.2对每个窗口的分频带脑电信号绘制庞加莱图：将每个窗口的脑电时间序列视为X1,X2,X3…
,X
N
，以序列的当前值X
i
作为x轴变量，下一时刻序列X
i+1
为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,X2)(X2,X3)(X3,X4)
…
,(X
i
,X
i+1
),得到序列X
i
的庞加莱图，X
i
是每个脑电信号采样点，其中i∈1,2,
…
,N
‑
1,N是窗口中采样点的个数，共得到频带数
×
窗口数张庞加莱图。4.如权利要求1所述的基于庞加莱图和二阶差分图的脑电情绪识别方法，其特征是，所述步骤S6具体包括：S6.1将所述步骤S4得到的各个本征模函数通过矩形窗分段；S6.2对每个窗口的本征模函数绘制二阶差分图：将第k个本征模函数的时间序列视为IMF
k
(1),IMF
k
(2),IMF
k
(3),
…
,IMF
k
(N)，令X
i
＝IMF
k
(i+1)
‑
IMF
k
(i)，Y
i
＝IMF
k
(i+2)
‑
IMF
k
(i+1)，以X
i
作为x轴变量，Y
i
为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,Y1),(X2,Y2),(X3,Y3),
…
,(X
...

【专利技术属性】
技术研发人员：盛婷钰，冯前胜，许敏鹏，肖晓琳，杨超，陈鹏飞，裴育，
申请(专利权)人：天津大学，
类型：发明
国别省市：