结合互信息通道选择与混合深度神经网络的脑电情感识别方法∗

孟 明胡家豪高云园马玉良

(杭州电子科技大学自动化学院，浙江 杭州310018)

情感是一种综合了感觉、思想和行为的复杂状态，是人类对内部或外部刺激真实的心理和生理反应[1]。随着人工智能技术的不断发展，情感识别已经成为了人机交互(Human Machine Interface，HMI)领域的研究热点[2]，将情感自动识别技术引入到HMI应用，可显著提高用户的体验质量，并推动实现人工智能由感知智能到认知智能的飞跃[3－5]。脑机接口(Brain Computer Interface，BCI)可以有效的作为人机交互的桥梁，BCI技术可通过非侵入的方式采集人体脑电信号(electroencephalography，EEG)，且大量的神经生理学和心理学研究发现，人类的情绪产生和情感活动与大脑皮层的电信号高度相关[6]，因此EEG信号凭借其高时间分辨率，低成本，高便捷的优点被有效地运用在人类情感识别任务中。

如何对情感EEG信号进行特征提取并分类是一项具有挑战性的任务，基于浅层机器学习方法的研究在该领域取得了一定的进展。Shahnaz C等人[7]对EEG信号进行经验模态分解(EMD)运算，选取得到的本征模式函数(IMF)进行离散小波变换(DWT)，然后选择合适的DWT系数方差、峰度、偏度来形成特征向量，并使用SVM进行情感分类。Liu[8]等人分别从时域和频域提取脑电信号的高阶过零分析、分型维度和离散小波变换、功率谱密度等特征，利用随机森林算法(Random Forest，RF)进行最后分类。Guo[9]等人分别提取受试α，β，γ脑电频段的granger因果特征，并引入稀疏组lasso算法进行特征筛选，获得高相关性特征子集作为情感分类特征，最后使用SVM进行情感分类。然而这类方法依赖人为从EEG信号中寻找和提取各种与情感相关的特征，这也成为了阻碍系统性能突破的瓶颈。……