基于脑电信号的喜好度分析

论文摘要

情绪是与各种感觉、思维和行为相关的一种精神和心理上的状态。它支配着主观个体的感受,在人类的日常生活中扮演着重要的角色。让机器能够感知用户的喜怒哀乐,是发展智能系统的重要基础。它可以使得智能机器更加的人性化,提高用户在使用系统时的体验,让人和系统能够更加自然的交流。喜好度是目前心理学研究中比较常用的用来衡量情绪的一个度量,可以用来标示不同的情绪,例如愉快和悲伤在喜好度上相差悬殊。我们尝试通过一组基于视觉诱发的认知实验,让用户观看带有哭与笑的表情信息的人脸照片,同时记录下用户的脑电信号,使用一些机器学习的方法来分类这些包含情绪特征信息的脑电信号,来达到可以估计出用户当时喜好度状态的目的。在数据处理的过程中,我们使用了较常用于脑电数据处理的共空间模式的方法来提取特征信号,并且使用了支持向量机的方法对特征数据进行了分类,并基于此提出了一种贝叶斯框架下的概率共空间模式的算法。最后的分类结果表明愉悦与悲伤的情绪可以通过脑电信号区分开,并且给出了一些生理学的解释。本文的贡献如下：首先,我们设计了一组基于视觉诱发的认知实验,采集了一定数量的包含情绪信息的脑电数据,并对数据进行了比较合理的标注,使用机器学习的方法通过脑电信号来估计用户的喜好度；其次,我们使用共空间模式的方法,对脑电信号进行处理,该方法可以有效地去除了与分类目的无关的背景信号。第三,我们提出了一种贝叶斯框架下的概率共空间模式算法,对实验收集到的数据进行了处理,分类的精度更稳定,能够较好地避免容易过拟合的情况。

论文目录

• 摘要
• ABSTRACT
• 目录
• 主要符号对照表
• 第一章 绪论
• 1.1 论文安排
• 第二章 生理研究背景
• 2.1 脑电研究背景
• 2.1.1 δ频带（0.5-4Hz）
• 2.1.2 θ频带（4-8Hz）
• 2.1.3 α频带（8-13Hz）
• 2.1.4 β频带（13-30Hz）
• 2.1.5 γ频带（36-44Hz）
• 2.2 情绪研究背景
• 2.3 基于脑电的情绪相关研究
• 2.3.1 Hoekstra
• 2.3.2 Choppin
• 2.3.3 Takahashi
• 2.4 本章小结
• 第三章 EEG的数据处理流程
• 3.1 数据记录
• 3.2 预处理
• 3.3 数据标注
• 3.4 特征提取
• 3.5 判别算法
• 第四章 实验过程
• 4.1 图片刺激实验设计
• 4.2 实验平台介绍
• 4.3 本章小结
• 第五章 算法描述
• 5.1 去除坏样本
• 5.2 共空间模式
• 5.3 支持向量机
• 5.3.1 线性可分
• 5.3.2 非线性可分
• 5.3.3 核函数
• 5.4 概率共空间模式
• 5.5 本章小结
• 第六章 结果分析
• 6.1 事件相关电位
• 6.2 算法参数选择
• 6.2.1 CSP+SVM
• 6.2.2 PCSP
• 6.3 样本长度分析
• 6.4 频带分析
• 6.5 喜好度估计精度
• 6.6 空间模式
• 6.7 本章小结
• 第七章 总结与展望
• 7.1 本文的主要贡献
• 7.2 进一步的研究工作
• 参考文献
• 致谢
• 个人简历、在学期间的研究成果及发表的论文