论文部分内容阅读
本文重点选用了多尺度模糊熵特征和CNN特征,以及改进灰狼算法优化支持向量机的分类方法,来实现脑电情感识别。论文的主要工作如下:(1)研究比较了几种脑电特征、特征的提取及分类方法。经分析选定了面对小样本的分段复合多尺度模糊熵特征和面对大样本的CNN特征以获得识别性强的特征;采用改进的灰狼算法优化的支持向量机分类以提高脑电情感识别率。(2)针对小样本提出了改进的多尺度模糊熵特征(PCMSFE),同时利用灰狼算法优化的支持向量机分类,多尺度模糊熵特征采用分段粗粒化和复合多尺度模糊熵的计算方法,解决了数据流失问题和因尺度因子过大导致的计算不准确的问题。改进的灰狼算法优化的支持向量机(IGWO-SVM)可以自动调整内部参数,通过余弦收敛因子来平衡灰狼算法的全局和局部搜索,并选取调和平均数和静态平均数结合的方法来更新灰狼位置,以更加快速地得到最优位置。针对大样本选择卷积神经网络的卷积层、池化层和全连接层来提取数据特征,同时使用改进功率谱熵进行预处理,其去除了傅里叶变换步骤,并确定概率值以提高计算效率与准确率。特征数据输入到IGWO-SVM模型前,进行Relief特征选择。利用特征选择算法计算特征权重,对进一步提高情感识别率和缩短运行时间起到了较好的作用。(3)在公开DEAP数据集中将本文提出的算法与一些同类研究进行了对比,探讨了近似熵、样本熵和PCMSFE特征的情感识别率;比较了全波段与α、β波段特征的情感识别率;对比了改进灰狼算法与其他几种算法优化的支持向量机的效果。实验表明,利用PCMSFE特征和IGWO-SVM的识别率最高,在效价、唤醒度、优势度、喜欢度中的平均识别率均可达到87%以上,同时测试了高/低喜欢度下效价、唤醒度的识别率,实验表明喜欢度低时情感分类率较高。另外,对比了是否经过预处理及改进前后功率谱熵、是否使用特征选择算法及利用不同阈值、CNN分类和IGWO-SVM分类的情感识别率高低。同时,讨论了上述模型与KNN、决策树和贝叶斯网络的情感识别率。实验说明采取CNN特征和IGWO-SVM模型时的脑电情感识别率最高,在每个维度中的平均识别率均可达到94%以上。另外,比较了PCMSFE特征及CNN特征的准确率及效率,结果表明小样本下使用PCMSFE特征可提升情感识别率,大样本下使用CNN提取特征可提高识别效率。