基于栈式自编码神经网络的脑电信号情绪识别

刘 鹏，乔晓艳

(山西大学 物理电子工程学院，山西 太原 030006)

0 引 言

情绪无时无刻不在影响着人们的工作生活，如果能使计算机具有识别人类情感的功能，将会在医疗、 教育、 养老、 娱乐、 人机交互等多个领域产生巨大的促进作用. 目前，自动情绪识别的研究，包括离散和连续情感模型的生理和非生理信号情绪识别. 连续维度情感模型较离散情感模型而言，可以更加准确地刻画人的情绪状态，贴合人的真实感受，成为了各国研究人员在情绪识别方面的追求目标. Koelstra等人[1]在DEAP数据集上提取脑电(EEG)信号δ，θ，α，β节律功率谱特征，使用朴素贝叶斯(NB)分类器在效价、 唤醒度上进行分类，正确率最高分别达到57.6%和62.0%； Li等[2]在DEAP数据集上通过小波尺度变换将多导联神经生理信号封装成网格状帧，结合卷积神经网络(CNN)和递归神经网络提取任务相关特征，在效价和唤醒度两个维度上进行情绪识别，算法平均正确率分别为72.1%和74.1%； Liu等[3]在DEAP数据集上提取脑电信号特征，通过组合最大相关性最小冗余和主成分分析融合了高维特征，使用支持向量机(SVM)进行分类，在效价和唤醒度上分类正确率分别为72.4%和76.1%. 阚威等[4]在DEAP数据集上将脑电信号划分为多个时间段后分别提取其特征，采用长短时记忆(LSTM)算法进行维度情感分类，正确率分别为73.9%和73.5%； 晁浩等[5]先在DEAP数据集中提取脑电信号表征的情感初始特征，通过深度信念网络(DBN)将初始特征进行高层抽象表示，再利用受限制玻尔兹曼机实现情感分……