【技术实现步骤摘要】
本专利技术属于脑电信号处理，尤其是基于脑电信号情绪识别领域，具体是一种基于脑电信号的负性情绪分类和抑郁症判别方法。
技术介绍
1、情绪是一种复杂的心理状态，包括生理、行为、认知和主观体验的多重维度，在日常生活和学习中占据了重要的地位。心理学将人类的情绪分为三个大类：积极情绪，中性情绪和负性情绪。情绪识别是指基于信号处理，对不同情绪下的生理或非生理信号进行特征提取和模式识别的过程。情绪认知及其脑机制研究，特别是情绪与认知的关系及其潜在的神经基础研究，近年已逐渐成为认知神经科学的前沿热点课题。其研究成果不仅可以极大地丰富认知神经科学的内容，而且可为情绪障碍疾病和脑疾病的诊断与治疗提供依据和方法。
2、目前抑郁症识别常常基于主观量表、问卷等方式，但这些方法无法做到客观准确。随着机器学习的兴起和中国脑计划的展开，越来越多的学者聚焦于脑科学研究并将其视为“终极疆域”，脑电信号也被证实可作为研究脑疾病精准高效的生理依据之一。通过对脑电信号进行预处理、特征提取与选择，并利用机器学习分类算法可以实现对抑郁症的识别，从而准确地分析受试者状态。
3、基于脑电信号的情绪识别主要考虑识别准确率以及识别状态两个方面，目前的研究都局限于对积极和消极的情绪进行二分类，且比较容易区分而较少有研究聚焦于某一具体的内部情绪的研究，这些情绪的内部也可以分为不同的等级可以通过某些特征或者某些特征的阈值表现出来。并且单一特征包含的有效信息不够丰富，无法达到较好的分类识别效果，因此需要提取多个脑电特征的多个电极通道参数以获得较高的识别准确率，然后过
技术实现思路
1、为了解决现有对情绪的分类太过局限和对抑郁症的早期诊断不够精确，本专利技术提出了一种基于脑电信号的负性情绪分类和抑郁症判别方法，本专利技术从负性情绪入手，通过anova检验方法将负性情绪再进行细致分类，分为三个类别：严重负性情绪、中度负性情绪和轻微负性情绪，之后再研究严重负性情绪和抑郁症脑疾病之间的关系，来判断受试者的状态是否达到了患病的标准，实现了高效的识别效果。
2、本专利技术提出的一种基于脑电信号的负性情绪分类和抑郁症判别方法，包括如下步骤：
3、步骤1、脑电信号数据获取：通过网络申请获取情绪deap数据集和husm抑郁症数据集，基于情绪va二维模型对情绪deap数据集进行处理保留其中的负性情绪；
4、步骤2、对两个数据集中的脑电信号进行预处理；
5、脑电信号易收到环境噪音和物理磁场等因素的影响，为了获得干净有效的高信噪比脑电信号，需要对原始混合脑电信号进行预处理。通过matlab软件以及matlab自带的eeglab工具箱对数据集中的原始混合脑电信号进行预处理。
6、步骤3、特征提取和构建多域特征融合矩阵：针对步骤2中两个数据集，从每个脑电信号中提取α波与β波的psd比、α波psd的左右脑不对称性、非线性特征样本熵三个特征；将两个数据集提取的特征参数进行融合，构建多域特征融合矩阵。
7、步骤4、对多域特征融合矩阵进行特征参数筛选降维：对步骤3得到的多域特征融合矩阵进行特征参数选择，去除不存在显著性差异的特征参数；
8、步骤5、负性情绪阈值分析：
9、将负性情绪样本集进行负面情绪分类，具体分为严重负性情绪、中度负性情绪和轻微负性情绪，按类分析显著性最高的前两个特征参数，并确定这两个特征参数用于判断每类负性情绪对应的最佳阈值组合；
10、步骤6：训练抑郁症svm分类器：
11、经过步骤5得到的严重负性情绪样本中属于抑郁症的样本进行标记，之后将严重负性情绪样本和将步骤4中得到的抑郁样本集，导入svm分类器分类进行训练；
12、步骤7、将待分析情绪的脑电信号，根据步骤5中的阈值组合进行负性情绪分类，并按照步骤6中的训练好的抑郁症svm分类器判断待分析情绪的脑电信号是否为抑郁症。
13、进一步的，所述步骤2中预处理方法如下：
14、使用eeglab工具箱电极定位，通过滤波器去除50hz的工频干扰并通过4-45hz的带通滤波去除高频信号干扰，并进行坏段剔除，再通过ica从原始信号中去除低频干扰，执行完ica后根据地形图能量分布和功率谱分析识别移除眼动噪声和伪影成分。ica是一种线性变换，其主要思想是根据infomax原理，通过最小化输出分量之间的互信息，将信号分离成统计独立的非高斯源的线性组合。
15、进一步的，所述步骤3中，特征提取方法如下：
16、步骤3.1、从脑电信号中识别出能够有效反映不同注意状态的特征，通道的选取按照国际标准的10-20系统标准电极安放法，根据情绪脑电和抑郁症脑电表现最好的前额叶的6个通道fp1,fp2,f3,f4,f7,f8以及加上c3,c4两个中央区的通道信号共计8个脑电通道进行对比分析，在小波包变换分解的基础上基于频域和时频域比较提取3个特征，每个特征均包含8个电极通道的参数，共计24个特征参数。
17、3个特征选择原因如下：经过研究分析比较，α波与积极的情绪相关，β波与消极的情绪相关，当处于负性情绪状态下时，α波的功率会减少而相应地β波的功率会增加，且人类的左右半球与特定的情绪和情感特征有不同的联系。且负性情绪与抑郁症的关系较为密切，抑郁症的长期表现就是情绪低落，所以提取α波与β波的psd比和α波psd的左右脑不对称性作为分类的特征，非线性特征样本熵的计算不依赖于数据的长度且计算误差较小，抗噪声和抗干扰能力强，且可以反应脑部的活动复杂度因此适合分析复杂的脑电信号，所以提取非线性特征样本熵。
18、选取的3个特征介绍如下：
19、(1)α波与β波的psd比；
20、psd是指信号在频域上的量，表示功率在各频率点的分布情况，功率谱通过变换将时域中幅度随时间变化的脑电信号转化为功率随频率变化的功率谱图，从而可以通过功率谱图直接观察脑电节律的分布与变化情况，并定量分析各频段的分量。p(t)是在时域上的能量总值，等式右边的被积函数就是其能量谱密度，也就是单位频率的能量，其与信号的时间长度的比便可以被称为功率谱密度。
21、
22、其中，p(t)是在时域上的能量总值；p(f)表示能量谱密度。
23、(2)α波psd的左右脑不对称性；
24、
25、其中，fright代表α波右脑的psd，fleft代表α波左脑的psd；asym用来表示α波psd的左右脑不对称性。
26、(3)样本熵；
27、样本熵是一种非线性特征，是一种新型的度量时间复杂度的方法，与其他的熵分析相比，样本熵的计算不依赖于数据的长度且计算误差较小，抗噪声和抗干扰能力强，因此适合分析复杂的脑电信号。样本熵表征脑电信号序列复杂程度的无量纲指标，熵值越大代表信号复杂度越大,代表本文档来自技高网...
【技术保护点】
1.一种基于脑电信号的负性情绪分类和抑郁症判别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于脑电信号的负性情绪分类和抑郁症判别方法，其特征在于，所述步骤2中预处理方法为：
3.根据权利要求1所述的基于脑电信号的负性情绪分类和抑郁症判别方法，其特征在于，所述步骤3包括如下步骤：
4.根据权利要求1所述的基于脑电信号的负性情绪分类和抑郁症判别方法，其特征在于，所述步骤4中特征参数筛选降维方法如下：
5.根据权利要求1所述的基于脑电信号的负性情绪分类和抑郁症判别方法，其特征在于，所述步骤5的具体操作为：
6.根据权利要求1所述的基于脑电信号的负性情绪分类和抑郁症判别方法，其特征在于，所述步骤6的具体操作为：
【技术特征摘要】
1.一种基于脑电信号的负性情绪分类和抑郁症判别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于脑电信号的负性情绪分类和抑郁症判别方法，其特征在于，所述步骤2中预处理方法为：
3.根据权利要求1所述的基于脑电信号的负性情绪分类和抑郁症判别方法，其特征在于，所述步骤3包括如下步骤：
4.根据权利...
【专利技术属性】
技术研发人员：徐欣，郜海澎，蒋金瑞，朱云磊，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。