摘要
情感脑机接口(Brain-Computer Interface,BCI)技术在精神病学、心理学、驾驶状态检测等领域有着广泛的应用，其中情绪状态的准确识别是以上领域研究过程中关键的一环，因此提高情绪分类的准确率就显得尤为重要。有研究证明，融合时-频-空三个维度的情绪特征可以挖掘到更加丰富的脑电信息，从而提高情绪识别的准确率;而且探索与情绪相关度高的脑区对于提高分类性能具有重要意义，但是目前主流的研究方法中同时融合时域、频域和空域特征的特征提取方法尚不多见，并且没有充分考虑不同脑区上神经元活动对于情绪产生过程的影响。因此为了融合多维脑电特征，探索不同脑区对情绪分类效果的影响，本文提出了三种新型的特征提取和分类研究方法。具体研究工作如下: (1)首先，在特征提取过程中通过计算不同频段EEG信号的相位锁值(Phase Locking Value,PLV)来构造功能连接脑网络，探索了不同脑区之间的连接模式，计算了融合时域和空域特征的功能连接脑网络上的复杂性测度，并融合四种网络特征参数作为特征进行情绪的二分类研究，得出在该特征提取方式下与情绪相关度最高的脑区和频段:大脑的前额叶和右颞叶与情绪激活过程有着密不可分的联系;在Gamma频段上的积极情绪与消极情绪的二分类研究中取得了最高的准确率83.44％。 (2)为了进一步提高情绪识别的准确率，提出了一种新的情绪分类特征提取方法，在构建PLV的基础上，使用三种距离测度(分别是Frobenius范数、Spectral范数和log-Euclidean范数)获得了三个距离矩阵dF、dS和dLE，并计算这些距离矩阵上的8种网络特征参数。之后将距离矩阵和网络特征参数作为两种特征输入到多种机器学习分类器中以验证所提方法的性能。在包含三种类型情绪的SEED数据集上，我们在每两种情绪之间执行了二分类任务。dF矩阵在积极情绪和中性情绪之间的Alpha频段获得的平均分类准确率为83.96％,dLE矩阵在积极情绪和消极情绪之间的Beta频段获得的平均分类准确率为84.12％,dF矩阵在中性情绪和消极情绪之间的Delta频段获得的平均分类准确率为83.56％。因此，基于距离矩阵的特征提取方法可以有效提高情绪分类的准确率。 (3)为了探索不同脑区在情绪识别分类准确率上的差异性，将全脑分成了四个区域:额叶、顶叶、枕叶和颞叶。接着分别计算五个频段上各个脑区的差分熵(Differential Entropy,DE)和微分熵不对称差(Differential Asymmetry,DASM)特征，并将它们组合成四维结构的特征送入4D-CRNN中分别进行频-空域和时域特征的学习，然后在分类器中进行情绪的三分类研究。为了验证所提模型的性能，本文使用了准确率、精确率、召回率和特异度四种模型评价指标进行度量。结果发现额叶是与情绪相关度最高的脑区，该脑区的五个频段(Delta、Theta、Alpha、Beta和Gamma)上相较其余脑区都取得了最高的准确率:84.09％、86.31％、89.43％、92.35％和 95.52％。 本文在不同频段上使用了三种新型的、融合了多个维度的特征提取方法进行情绪识别的研究，并在第三部分的研究工作中，探索出了与情绪相关度最高的关键脑区，本文所提出的分类方法在一定程度上提高了情绪识别的准确率，也为进一步提升情绪识别模型的性能提供了新的视角。
NETL