脑电图数据库和初始基准情感分类的性能

文摘

人类的情感识别一直是主要的研究领域在过去的几十年由于其引人注目的学术和工业应用。然而,大多数的最先进的方法识别情绪在分析面部图像。情感识别使用脑电图(EEG)信号受关注较少。然而,使用EEG信号的优势是,它可以捕捉真实的情感。然而,很少有脑电图信号的情感计算数据库是公开的。在这项工作中,我们提出一个数据库组成的EEG信号的44个志愿者。23 44是女性。32通道清晰脑电图旅行者传感器是用来记录四个情绪状态即快乐,恐惧,悲伤,和中性的主题通过显示12个视频。3视频文件是用于每个情感。参与者被映射的情感,他们觉得每个视频看完。 The recorded EEG signals are considered further to classify four types of emotions based on discrete wavelet transform and extreme learning machine (ELM) for reporting the initial benchmark classification performance. The ELM algorithm is used for channel selection followed by subband selection. The proposed method performs the best when features are captured from the gamma subband of the FP1-F7 channel with 94.72% accuracy. The presented database would be available to the researchers for affective recognition applications.

1。介绍

情感是一种精神状态(1的一个人。它直接或间接地连接到高强度和高享乐性内容即思想,感情,行为反应,和一定程度的快乐或不快乐2]。情感识别的目的是识别一个人的时间根据面部表情和情绪状态自动口头表达。多媒体元素,如文本、音频和视频也经常引起人类表达情感识别(3]。身体动作和手势和语音也结合情绪面部表情分类更准确(4]。不可避免地,感觉发挥重要作用在与他人的关系。它也有助于增加与计算机的交互。情感计算研究的一个分支,与计算机人机交互使用情感及其应用教(5]。情感计算发现其在各领域的应用程序生成像医学、电子学习、监控、营销、娱乐、和法律。人们可以找到一些真实的情感计算的例子,如咨询和确定客户的医疗状态,确定病人情绪,治疗期间的医疗救援水平,分析了情感,从而调整学习方法和表示根据学习者的学习风格,远程体检的老年人,扩大交流的方式,帮助自闭症患者,和确定疲劳驾驶的情况下提前和警报。自一个人的情绪状态可能影响注意力,解决问题,和决策技能、情感计算的愿景是建立系统,能够识别和影响一个人的情感,增加产量和使用电脑的有效性。脑电图(EEG)是一个电生理检查的策略来记录人类大脑的电活动。这是通常的,电极放置在头皮上。脑电图估计电压变化,因为大脑的神经元内的离子电流。最先进的情感识别方法(6,7)可以大致分为三种类型即以知识为基础的方法、统计方法和混合动力技术(8]。在知识、情感进行检测是利用领域的理解和语言的语义和语法功能(9)使用WordNet, SenticNet [10],ConceptNet, EmotiNet [11]。然而,它不能处理概念的细微差别和复杂的语言规则8]。在统计技术,通常不同的监督机器学习算法,如支持向量机(12)、朴素贝叶斯和最大熵(13)被认为是在情感分类中使用大量的带注释的数据。分类精度更高的统计方法,它依赖于足够大训练集。一些作品同时考虑知识技术和统计方法在情感识别利用互补特性(14,15]。混合方法提供的分类精度更高的比前两种方法。然而,它在计算上更有挑战性9]。现在,研究人员正在使用生理信号如脑电图和心电图(ECG)信号的情感识别(16,17]。人体生理信号的不同来源如图所示1。

然而,当情感描绘通过面部表情相比,情感通过脑电图信号捕获更可靠,因为有人可以假的他/她的面部表情;换句话说,他/她可能会感到从内部不同的情感和行动和表达别的东西,或在某些情况下,他/她可能无法通过手势和面部表情表达他们经历的感觉在里面。有兴趣的读者可以通过(19]因为知道EEG信号的其他优势在情感识别面部表情。数据是任何情感识别任务不可或缺的组成部分。很少公开注释数据是必不可少的机器学习算法的训练和测试。一些公开的多通道数据来源以多媒体的形式内容如文本、音频、视频、或生理信号进行情感识别研究的简要描述如下:贝尔法斯特面部表情数据库(20.)主要是调查的性别差异,文化差异和个体差异广泛的情感的表达和感知使用简短的电视节目和采访录音20.]。HUMAINE面部表情数据库(21)包含几乎所有视听记录在不同emotion-rich场景。SEMAINE也是一个视听记录(22)之间的一个人,一个虚拟助理,由带注释的情感像愤怒、快乐、恐惧、厌恶、悲伤、蔑视和娱乐。IEMOCAP也是视听记录演员之间的二元会议,由情感注释,如快乐,愤怒,悲伤,沮丧,和中性23]。eNTERFACE认为快乐,愤怒,悲伤,惊讶的是,厌恶,和恐慌视听录音的形式从七个民族24]。DEAP [16和梦想家17)数据库包括脑电图、心电图和脸录像[16]。这个数据库是建立,当人们看电影剪辑。所有数据正确标注价,兴奋,和支配的人。在[25),Alakus等人提供了一个脑电图数据库GAMEEMO呼吁各种游戏。

很明显从文献数据库几个公开的脑电图信号存在。所以,提出研究的突出贡献如下:(我)提出了一个新的数据库,它由四个情感即快乐,悲伤,中性,和恐惧的形式脑电图信号的44个科目(2)捕获的脑电图信号分类是基于离散小波变换(DWT)和极端学习机(ELM)。(3)榆树算法用于通道选择后跟部分波段选择

其余的工作如下:背景研究探讨了人类的大脑和情感有关的部分2。部分3提出了一种新的数据库为情感计算。材料和方法用于去除噪声、特征提取、分类器进行了部分4。部分5给出了实验结果。最后,得出结论6。

2。背景研究

在以下部分中,我们给出一个简要介绍人类大脑和叶出现在它还负责情绪和对EEG信号的特点。

2.1。人类的大脑

大脑是人类神经系统的指挥中心。它负责所有的身体活动。它接收来自许多感官输入感官受体。然后,过程,解释,并决定应该采取什么行动。它还将输出发送到肌肉。大脑有三个主要部分即。,小脑,脑干和大脑。小脑接受数据从许多感官受体,脊髓和大脑的其他部分,然后管理运动运动。它还涉及自然而然的动作,如平衡,姿势,管理协调,和演讲,光滑的肌肉功能。脑干管理运动之间的消息大脑和身体的其他部位。基本的身体活动,如呼吸、吞咽、心率、血压、和意识是由干细胞。 On the other hand, the cerebrum is the largest part of the human brain, and it is further divided into hemispheres viz., left and right. Each hemisphere has four lobes namely, frontal, temporal, occipital, and parietal as in Figure2。大脑主要负责行动和思想。大脑的不同区域控制各种操作如下所述:(我)额叶区域负责的运动身体,演讲,浓度,处理记忆的边缘地区,情感反应,解决问题,单词的意义,个性,和计划。额叶地区dopamine-sensitive类型的神经元位于与关注的感觉,帮助记忆,奖励,快乐,和计划。它包含一个边缘地区的一部分,负责一些基本的情绪如上所述(2)颞区负责听力,情感,和调节情绪饥饿,口渴,识别人脸,和长期记忆负责存储、成形、加工的视觉记忆。它包含了一些边缘地区的一部分负责一些基本的情感如上所述(3)枕骨区域负责评估的距离,深度、大小、颜色有助于识别、解释视觉刺激,传输大脑的视觉数据到其他地区和其他地区对这些信息作出回应(iv)顶叶区域负责感觉触感,过程,味道,和温度

2.2。情绪

感情是一种感觉和状态变化,包括生理的和心理的影响我们的行为,我们人的经验在我们的日常生活中,它包含三个组件即抽象的理解,生理反应和社会或表达反应(26,27]。情绪被描绘成离散的和稳定的反应场合外部或内部的巨大生命形式(28]。情感在人与人之间的交流中起着重要的作用。情感往往是相互关联的几个因素,如情绪、个性、温度,一个人的情况下,或与他人的关系。表达的情绪状态可以通过二维价和兴奋。价的维度是由于情绪措施积极或消极的影响。兴奋的维度衡量舒缓或激动人心的情感,它是在高和低。有两个代表情感的不同方面。第一个方面表明,感觉有先进的通过定期选择至关重要。Plutchik建议8个原始情绪愤怒、恐惧、悲伤、厌恶、惊讶、好奇,验收,和快乐29日]。在第二个方面,鉴于知觉,感觉是映射到价,兴奋,和主导地位的测量。价从非常积极情绪特别消极的或不愉快的欢乐;兴奋从昏昏欲睡等州到精力充沛;最后,优势比较的质量感觉(30.]。相当多的我们的常规演习依赖我们的情绪状态。评估情绪的关键是理解人。因此,人类情感承认对人类情感的准确分类是至关重要的。我们将以这种方式围绕策略用于识别情感。

人与人之间发生的协会来脑机接口(BCI)系统。生命技术入侵,脑-机交互系统扮演重要的角色。从众多机器影响我们的生活的观点在过去的二十年中,机器应该能够发现,翻译,,在互动和协调人类的情绪状态。这人机协会是由简单的与BCI框架。如今,这些BCI框架有情感识别的能力。有一个有效的情感承认,一个巨大的各种各样的策略从外表像情感识别,声音的音高,信号而且自治感官系统,从脑电图信号。

3所示。脑电图信号数据库为情感计算

数量非常有限的脑电图信号数据库中观察到的文学。这促使我们开发一个脑电图信号数据库为研究目的。这部分介绍了不同的协议被认为虽然人类捕获信号。每个协议的详细描述将在随后的章节中讨论。

3.1。脑电图传感器

头皮脑电图是治疗成像过程解释电子运动产生的大脑结构,即。的原因之一,它测量电压差异离子电流流大脑的神经元内。这里使用脑电图机是脑电图旅行者braintech 32 + CMEEG-01 32频道。这个模型有许多特点,如使用最友好的通用机架,设施和评论的删除事件,在线/离线获得重新格式化,过滤和扫描速度。它也有脑电图flash与高强度LED内置可充电锂电池。它是一个高度先进的数据库管理和不同的搜索选项。它由计算机USB力量。

有些规格的脑电图旅行者有32个输入通道和32显示通道。频带范围从0.1赫兹到100赫兹(Hz)。最大阻抗限制 。在ADC的采样频率为1024赫兹和256赫兹的内部存储。它有一个高腰数字滤波器的范围0.5赫兹到100赫兹和低胸数字滤波器7赫兹的范围0.1赫兹。有脑电图膏用于坚持32电极或渠道头皮记录信号。一块脑电图设置用于记录出现在图3。

3.2。脑电图信号

脑电图信号主要用于追踪人类的大脑利用电信号的作用。识别情绪的变化通常是由简单的通过脑电图信号。沿着这些线路,我们选择这个脑电图flag-based人类情感分类方法理解基本的感情像快乐,恐惧,悲伤,和中立。脑电图记录进行的协助下与清晰的电极EEG设置。这些电极和水平金属圆盘加入到头皮利用脑电图凝胶/粘贴。人体的每个动作,大脑细胞相互沟通和大脑的这些练习将记录在计算机的协助下电极,并在小范围估计电压对比。电极电压对比估计是小所以他们数字化送给增强器,我们可以看到数据的电压放大。EEG信号帮助医生诊断疾病如脑瘤,头部受伤,脑炎。这另外EEG信号是用来测量大脑的血液水平通过仔细的过程和屏幕的个体在无意识的大脑活动/昏迷。脑电图是一个受保护的技术。 It will not cause any distress or any sensation. It is not ok for a person who is experiencing seizure issue or epilepsy, since it might cause seizure during the procedure as blazing of light on the face, deep breathing is associated with the procedure. It might cause different issues relying upon the medical state of the person experiencing EEG recording.

3.3。脑电波

一般来说,五种电模式或脑电波被研究人员观察同时皮质整个一天在我们的觉醒状态,甚至当我们睡着了。这些波在最低频率最高的顺序如下:δ(0 - 4赫兹),θ(4 - 7赫兹),α(8日至13日Hz),β(13-30 Hz),和伽马(30 - 63赫兹)。可以看出这些波的范围波动几赫兹在各种研究。这些波共同执行有效地心理功能。然而,每个脑波有独特的作用。一个特定的脑电波会主导一次执行一个特定任务时,它取决于一个人认知的状态。如果其中一个五种脑电波在合成和/或下合成在我们的大脑中,它会引起问题。详细描述每个有用的脑电波的如下:(我)δ波最深层次的愉悦和相关治疗,治疗睡眠。这些是最慢的捕获的脑电波。一般来说,更高的水平发现婴儿和孩子。这些都是产生于一个较小的数量作为一个老即使在深度睡眠。这些也观察到我们的许多无意识的身体调节心跳和消化等功能。适当水平的δ波有助于我们醒来后感到欢欣鼓舞的刷新。然而,不规则的三角洲活动可能会妨碍正常的学习能力或维护意识(2)θ波在白日做梦和睡眠有关。这些都与我们经历和感受深和原始的情感。然而,更高水平的θ活动可能导致抑郁症的一集,可能使人“值得高度关注的”这一事实他们是处于深度放松,semihypnotic状态。这些波有助于改善我们的直觉,创造力,让我们感觉更自然。它也参与治疗休息。这些波的范围是非常有用的,直到不超过清醒时生成的(3)α波之间建立“频率桥”我们认识到推理(β)和直觉(θ)的想法。这些已知使我们安静下来,推进到更深的感情,放松和物质。β波假设安排协调和通信功能部分不会发生,直到三岁的人。更高水平的βα活动和低水平的活动可能导致情绪状态称为“阿尔法阻止。”(iv)β波的低振幅高频率的脑电波通常位于一个清醒的人。这些是产生在州,如当一个人不认识认知推理、计算、阅读、说话,或思考。更高水平的β波可能会导致压力和焦虑。测试活动的人将会增加当他或她喝一种叫发现特别是在茶或咖啡的咖啡因(v)在神经科学领域,最近发现的脑电波是γ波。研究人员不断探索了解γ波。他们有了一个强大的冥想和γ波之间的关系。除了健康的认知任务,这些执行更复杂的任务。γ波是重要的学习、记忆和信息处理。认为40 Hzγ波是重要的感官的知觉的绑定和参与学习新信息。低水平的放射性的人身上观察到精神上的挑战

3.4。脑电图电极定位

EEG信号的录音是根据国际标准10/20电极系统(31日)如图4。图4描绘了10/20的国际标准电极体系中,任意两个相邻电极之间的距离可以是总数的10%或20%前往后向左或向右的头骨。这个10/20系统是基于电极的位置和基础之间的联系大脑皮层的区域。每个电极都是演示所使用的字母和数字是用来识别叶和半球必须放置(F T P、C、O字母暗指额,时态,顶叶,中央,和枕叶分开)。有些数字从1到8的电极其中1,3,5,7代表电极放置在左半球和2,4,6,8代表电极放在大脑右半球。“Z”指的是在中线电极。除了这些电极,我们也有地面和参考电极。四个解剖参考点也用于电极的直接位置特别是鼻根,枕骨隆突,preauricular集中。鼻根是额头和鼻子,从后枕骨隆突是头的最低的头骨,耳朵和preauricular主要是那些前(32]。

3.5。阻抗检查

将所有所需的电极的位置之后,我们应该检查阻抗,是否所有的电极连接正确。如果没有,我们应该再次检查那些不能正常连接的电极和连接它们。阻抗是验证软件提供的清晰脑电图机。在录音过程中,电极的阻抗不应超过最大阻抗限制。对应于每个电极的阻抗图所示5。如果限制超过最大阻抗水平,颜色显示在阻抗检查软件的选项用来记录EEG信号从绿色变为红色。在此阻抗检查,录音停止。

3.6。刺激

选择的刺激在这个实验中通过各种措施。首先,我们应该考虑不同类型的情感,其中,我们应该选择一些我们想要的分类。在这里,四个情感即,悲伤,快乐,恐惧,和中立。总刺激有12个视频,这意味着每个情感有3视频。每个大约150秒的视频2分30秒(33]。看每一个视频后,人应该为15 - 20秒中和情感放松,他觉得在此期间。在放松在一段时间内,人应该闭上他/她的眼睛,放松,避免周围的环境,防止干扰。信号被记录在一个亲密的房间没有灯光和室温25 - 30摄氏度。我们选择我们需要的刺激等特色电影基于标准的情感喜剧场景,悲伤的快乐情绪和情感场景运动和可怕的场景为中性情感恐惧情绪和中性的场景。不应该有噪音或干扰周围的人看刺激,因为如果任何干扰发生,可能会偏离了情感的人,干扰的信号在此期间将是无用的。快乐刺激的快照,一个主题的反应看,刺激和捕获的EEG信号的四通道即FP2-F4, FP2-F8, FP1-F3, FP1-F7如图6。图7显示了悲伤的快照刺激,主体的反应,分别和后天EEG信号。快照的恐惧刺激,刺激的反应,一个主题在看,和捕获的脑电图信号如图所示8。图9说明了快照的中性刺激,主体的反应,分别和后天EEG信号。水平和垂直轴的数字6 (c),7 (c),8 (c),9 (c)是指样本大小和EEG信号的振幅,分别。

3.7。模式匹配

这12个视频分为3模式,每个模式由4的视频不同的情感。人看完第一轮的模式,他需要比赛的视频根据左侧提供的情感。我们应该照顾创建这些模式,同时安排视频,因为没有模式应该是一样的。

模式1:neutral-sad-fear-happy(图10)。

模式2:sad-happy-neutral-fear(图11)。

模式3:happy-neutral-sad-fear(图12)。

这是因为人的匹配模式应该记住四个视频和匹配模式的感受。更好的结果的模式应该是不同的。因为如果我们改变模式我们可以确保匹配模式匹配的人的感受而不是记住以前的模式和匹配,因为它是新的。

3.8。数据库概述

不。视频:12。视频时间:150秒(大约)。选择方法:手动。总没有。参与者:44 ( )。

4所示。材料和方法

提出了分类系统的原理框图情绪是显示在图13。该方法包括脑电图信号采集,消除噪声和部分波段,特征提取,分类。脑电图信号采集过程提出了部分3。其余的步骤将在后续章节中描述。

4.1。离散小波变换

很明显从部分3所示。3脑电图信号主要包括五种脑电波。然而,脑电图信号还包括噪音。这是一个不必要的腐败感兴趣的信号的信号。所以,噪音必须从原始信号中提取有用的信息。因此,EEG信号的处理的第一步是原始信号的滤波。EEG信号的非平稳,多分辨率小波是一种广泛使用的分解方法来消除噪音的非平稳信号(26]。EEG信号的频率,我们已抓获256 Hz。Daubechies 8 DWT (db8)采用原始EEG信号分解为细节系数和近似系数的水平。所以,总共6细节部分波段(D1 D6)和1近似部分波段(A6)将生成的。这些部分波段也称为波。D1, D2、D3、D4 D5, D6,和A6部分波段被称为噪音(125 - 256赫兹),噪音(63 - 125赫兹)、γ(30 - 63 Hz),β(13-30 Hz),α(8日至13日Hz),θ(4 - 7赫兹),分别和δ(0 - 4赫兹)。各个部分波段获得使用“db8”DWT的随机选择信道从中性情绪图所示14。

4.2。提取的特征

特征的提取是一个过程揭示隐藏的输入信号的特征。换句话说,一组特性可以代表一个输入信号。此外,这个特性集展示了一个特定的行为或模式描述的原始输入信号。每一个信号是零均值和单位方差归一化。十普遍使用特性提取每个子带的情感分类考虑这项工作,如下:(我)平均振幅变化平均振幅变化的平均值是两个连续的样本值之间的变化。AAC估计用情商的价值。(1)。 在哪里是采样点的脑电图信号和C是采样点的总数。在我们的例子中,C的值是2560,因为使用的设备的采样频率为256赫兹,和信号的持续时间是10年代。它也被称为绝对平均值的差异。(2)活动活动是平均功率的测量计算的情商。2)。这也代表了信号的主观能动性。这也代表了EEG信号的方差。 在哪里代表一个脑电图信号的方差。(3)绝对的平方根之和使用情商绝对平方根之和计算。(3)这是平方根之和每个样本点的信号。 在哪里采样点的总数。(iv)间隙的因素计算通过情商的间隙因素。(4),这是一个信号的峰值比的平方的平均值的平方根EEG信号的绝对值。 峰值在哪里获得使用吗 。(v)均方根均方根(RMS)被定义为的平方的平均值的平方根每个样本点的信号估计使用情商。5)。 (vi)波峰因素波峰因素是信号的峰值比均方根值,并发现使用情商。6)。 (七)形状系数形状因子是均方根值之比的绝对值的平均值计算信号的情商。7)。 (八)日志探测器非线性检测器的定义是情商。8)。 (第九)流动性迁移是近似从情商。9)被定义为方差之比的平方根的一阶导数信号的方差信号。 (x)绝对的总和绝对和被定义为情商。10)。 每台机器学习算法与一些目标函数相关联。有时,这些目标函数可能无法正常工作没有正常化,因为原始数据值的范围比平时大不同。例如,大多数的分类器估计欧几里得范数的两个点之间的距离。如果其中一个特性或属性有一个广泛的价值观,将由这个特定的距离特性。因此,所有功能的范围应该规范化,以便每个功能大约比例有助于最后距离(34]。所以,标准化也在提取特征。

4.3。极端的机器学习分类器

榆树是一种有效的单层前馈神经网络(35]。它主要作为分类器,回归量和聚类分析。然而,这里采用情感分类,因为更好的泛化,可控性和鲁棒性,快速学习速率。它可以解决过度拟合的问题比其他传统的神经网络。它使用了经验风险最小化理论。此外,它能防止局部极值,多次迭代。此外,榆树的学习过程只需要一个迭代。最后,不需要调整更新隐藏节点的参数。这些节点可以获得从他们的祖先没有任何修改或可以随机分配。通常情况下,隐藏节点的权重结果是获得了在一个单一的步骤。 Let us consider an ELM with a single hidden layer and the output function of the隐藏的节点 ,f是一个s形的函数和和的参数吗隐藏的节点。榆树单层前馈网络的输出函数隐藏节点所表达的是情商。11)。 在哪里是输出的重量吗隐藏的节点。隐层的结果估计使用情商。12)。

隐藏层产生的矩阵表达了榆树的情商。13),当训练样本的数量 。

训练数据的目标向量是由情商。13)。

榆树的目标函数是情商所示。14)。 在哪里 和 , 榆树算法考虑这项工作的基本形式如下: 在哪里和是两个矩阵用来表示重量的隐藏的隐藏层和输出层的输入,分别和是乙状结肠激活函数。榆树算法的步骤如下: 在哪里 , ,和表示特征矩阵,响应变量,分别和伪逆。学者使用的榆树由于属性较低的计算复杂度。大多数培训可以在几分钟内完成,甚至在某些情况下,只需要几秒钟的榆树完成培训过程。榆树的复杂性可以表示为 ,在哪里和分别表示输入重量和偏见,(36]。

步骤1。 是由一些随机值。

步骤2。 估计根据情商。17)。

5。实验结果和讨论

所有的项目都在Matlab中实现2017,而这些项目在笔记本电脑上执行下列规范:英特尔(R)的核心(TM) i5 5200 u @ 2.20 GHz CPU, 4 GB内存,64位的Windows操作系统。

第一步,DWT嘈杂的脑电图信号作为输入,产生无噪声的脑电图信号五次能带的形式输出。每一次能带是零均值和单位方差归一化。十个特性提取这些部分波段在第二步。然后,所有的特性都规范化的0和1。在这项研究中,44对志愿者和他们的四个情感分类。为每个情感三个视频捕获。十页的信息为每个视频存储而捕获视频。四通道即FP2-F4 FP2-F8 FP1-F3,和选择FP1-F7 32通道作为这些通道放置在额叶区域的头,和额叶区域主要负责识别正确的情感。每个通道都有5次能带在噪声去除。所以,我们有 样品完全为每个情感。这意味着我们得到一个特征矩阵的大小 ,其中26400是样本容量和10个特征为每个样本有。三个实验都在本研究中执行。在第一个实验中,channel-wise分类进行知道哪个频道负责情感识别。每个通道就等于几个样品 ,和每个通道将有10个特性。特性矩阵分为两组即训练集和测试集。前一个样本总数的70%,其余的样品测试集的一部分。训练样本和它们的类标签被送入榆树为构建一个训练模型。最后,提供的测试样品将会一个接一个作为输入,并预测它的类标签作为输出的帮助下训练模型。五个措施即准确性、特异性、灵敏度/回忆,精密,f1-score [37- - - - - -39)被认为是在这项研究中测量每个通道的情感识别的性能。获得的每个测量报告在表的价值1。很明显从表1第一频道的性能,即。,FP1-F7is better than the other three channels as the values of accuracy, sensitivity, specificity, precision, and f1-score are 94.72, 98.24, 94.72, 94.71, and 94.71, respectively, which are the highest among the four channels.

部分波段明智的情感分类是在第二个实验中执行。样品的数量每一次能带就等于 。因此,特征矩阵的大小 。然后,样本总数的70%分配给培训。剩下的30%被称为测试集样本。榆树由训练样本训练和类标签。使用测试集预测类标签的测试样本。准确计算基于实际和预测类,和部分波段明智性能精度报告在表2。

它是观察从表2γ部分波段提供所有的部分波段之间的整体精度最高。在这里,没有感情是单独考虑。所以,在最后的实验中,只提取特征γFP2-F4通道的部分波段。等于样本的数量 为每一个情感。再次,同样的过程采用分类情感的榆树。Emotion-wise分类性能如表所示3。表4报告的分类性能的帮助下实现了特征提取的伽马部分波段FP2-F8通道。同样,识别性能被发表在表5和6只有当γ部分波段的特性得到FP1-F7通道。

6。结论

人类的情感分类使用EEG信号是最好的方法,因为它提供了实际的神经生理学的大脑状态。在这个工作中,DWT每个EEG信号分解成部分波段,进一步用于提取部分波段的特性。美联储channel-wise提取的特征作为输入的榆树分类器分类快乐,恐惧,悲伤,和中性情绪。这个方法使用一个脑电图通道提供了更好的结果。single-channel-based情感分类能力的方法显示了实际应用其机敏的情感BCI系统的分类。最近也被认为是最先进的方法来比较我们的方法。深度学习卷积神经网络可以用来消除干扰EEG信号分类情感紧随其后。在这里,我们主要集中捕捉脑电图信号数据库。我们也计划考虑更多扩展的数据库。我们将集中多峰性情感识别使用生物识别技术和基于BCI系统生理信号如脑电图信号,血压,呼吸速率,体温,皮肤电反应在不久的将来。

数据可用性

“脑电图信号相关的情绪”数据用于支持本研究的发现正在禁运,而研究成果商业化。请求数据,6个月后发表的这篇文章中,将被许可协议下的通讯作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的部分项目“预测疾病通过计算机辅助诊断系统使用方法和非侵入性的方式”的图像,计算机科学和工程、PDPM印度理工学院信息技术、设计和制造,贾巴尔普尔印度(根据ID: sparc mhrd - 231)。这项工作也是支持的部分SPEV项目“智能解决方案在普适计算环境中”,2020年,大学Hradec Kralove,教师信息管理,捷克共和国(根据ID: uhk -鱼翅SPEV - 2020 - 2102)和研究型大学授予Vot-20H04在马来西亚各种大学(UTM),马来西亚的研究型大学网络(MRUN) 4 l876嗓音起始时间。我们还要感谢你咨询Sebastien Mambou和Ayca Kirimtat,博士生在鳍UHK。

引用

1. j . Panksepp情感神经科学:人类和动物的感情基础,牛津大学出版社,1998年。
2. d·l·沙克特·d·t·吉尔伯特·d·m·韦格纳,引入心理学,麦克米兰,2009。
3. 云苓,e·威尔士r .亚太区和A·侯赛因”的情感计算:从单峰分析到多通道融合,“信息融合37卷,第125 - 98页,2017年。视图:出版商的网站|谷歌学术搜索
4. g . Caridakis g可以见到效果,l . Kessous et al .,“多通道从表达情感识别面孔,身体姿态和演讲,”联合会国际会议上人工智能应用和创新施普林格,页375 - 388年,2007年。视图:谷歌学术搜索
5. a . Kolakowska a . Landowska m . Szwoch w . Szwoch和m . r . Wrobel“情绪识别及其应用,”人机交互系统:背景和应用程序351 - 62页。,施普林格,2014年。视图:谷歌学术搜索
6. g . Chen x, y的太阳,j .张“情感特征分析和识别基于重建的脑电图来源,”IEEE访问,8卷,第11916 - 11907页,2020年。视图:出版商的网站|谷歌学术搜索
7. y罗问:傅,j·谢et al .,“Eeg-based情感分类使用神经网络飙升,”IEEE访问,8卷,第46016 - 46007页,2020年。视图:出版商的网站|谷歌学术搜索
8. e·威尔士“情感计算和情绪分析,”IEEE智能系统没有,卷。31日。2、102 - 107年,2016页。视图:出版商的网站|谷歌学术搜索
9. m . s .王妃和s . Sumathy”视角基于词典和混合性能指标的方法:复习一下,”国际工程和技术杂志》上》第六卷,没有。4、108 - 115年,2017页。视图:出版商的网站|谷歌学术搜索
10. e·威尔士s云苓、r .亚太区和舒乐问,“Senticnet 4:基于概念语义资源情感分析原语,”科尔学报》2016年,第26届国际会议在计算语言学:技术论文大阪,页2666 - 2677年,日本,2016年。视图:谷歌学术搜索
11. a . Balahur j . m . Hermida, a . Montoyo”检测隐式表达式文本的情感:比较分析,“决策支持系统,53卷,不。4、742 - 753年,2012页。视图:出版商的网站|谷歌学术搜索
12. j . A . Dominguez-Jimenez k.c. Campo-Landines, j . Martinez-Santos e . j . Delahoz和s . Contreras-Ortiz”情感识别的机器学习模型从生理信号,”生物医学信号处理和控制2020年,55卷,第101646条。视图:出版商的网站|谷歌学术搜索
13. 美国太阳,c罗,j·陈,“审查意见挖掘系统的自然语言处理技术,”信息融合36卷,汽车销售,2017页。视图:出版商的网站|谷歌学术搜索
14. 威尔士和a·侯赛因Sentic计算:Sentic计算:一个共同概念级别情绪分析的解释框架施普林格,2015年。
15. m . Araujo p . Goncalves m . Cha, f . Benevenuto”,他因:系统比较和结合情感分析方法,”学报》第23届国际会议在万维网上,ACM78年,页75 - 2014年韩国,韩国,首尔。视图:出版商的网站|谷歌学术搜索
16. s . Koelstra c . Muhl m . Soleymani et al .,“Deap:数据库进行情感分析;使用生理信号。”IEEE情感计算,3卷,不。1,18-31,2012页。视图:出版商的网站|谷歌学术搜索
17. Katsigiannis和n .拉姆赞•“梦想家:情感识别的数据库通过脑电图和心电图信号从低成本现成的无线设备,“IEEE生物医学和卫生信息学杂志》上,22卷,不。1,第107 - 98页,2018。视图:出版商的网站|谷歌学术搜索
18. k .特里帕西在体内重要的生理信号2019年1月,2019,,http://biomedikal.in/2011/05/important-physiological-signals-in-the-body/。
19. t . Matlovic·加斯帕·r·莫罗,j . Simko和m . Bielikova”情感检测使用面部表情识别和脑电图,”2016年11日国际研讨会语义和社交媒体适应和个性化(SMAP)2016年,页18 - 23,塞萨洛尼基,希腊。视图:谷歌学术搜索
20. 大肠Douglas-Cowie:坎贝尔,r·考伊和p·罗奇,“情感演讲:向新一代数据库”言语交际,40卷,不。1 - 2,33-60,2003页。视图:出版商的网站|谷歌学术搜索
21. p . Petta c Pelachaud, r·考伊Emotion-Oriented系统:HUMAINE手册施普林格,2011年。
22. 部,m . Valstar r·考伊m . Pantic和m·施罗德“semaine数据库:注释多通道记录情感颜色的人之间的对话和代理有限,”IEEE情感计算,3卷,不。1,5 - 17页,2012。视图:出版商的网站|谷歌学术搜索
23. c . Busso m . Bulut c c。李et al .,“Iemocap:互动情感二元运动捕捉数据库”,语言资源和评价,42卷,不。4、335 - 359年,2008页。视图:出版商的网站|谷歌学术搜索
24. o·马丁,Kotsia, b . Macq和皮塔饼,“enterface 05视听情感数据库”22日国际会议数据工程研讨会(ICDEW 06年)美国p。8日,亚特兰大,乔治亚州,2006年。视图:谷歌学术搜索
25. t·b·Alakus m . Gonen,特工,“数据库基于eeg信号的一种情感识别系统和各种计算机games-GAMEEMO”生物医学信号处理和控制,60卷,p。101951年,2020年。视图:出版商的网站|谷歌学术搜索
26. d·h·Hockenbury和s e . Hockenbury发现心理学,麦克米兰,2010。
27. i . b .比如m·d·罗宾逊,“情绪的措施:审查,”认知和情感,23卷,不。2、209 - 237年,2009页。视图:出版商的网站|谷歌学术搜索
28. e·福克斯,情感认知科学和神经科学的方法来理解人类的情感2008年,帕尔格雷夫麦克米伦。视图:出版商的网站
29. r . Plutchik“情感的本质”,美国科学家,卷89,不。4、344 - 350年,2001页。视图:出版商的网站|谷歌学术搜索
30. p . j . Lang”情感调查:对动机的研究和关注,“美国心理学家,50卷,不。5,372 - 385年,1995页。视图:出版商的网站|谷歌学术搜索
31. “手册”,2016年,2014年2月https://www.trans-cranial.com/manuals/。视图:谷歌学术搜索
32. “临床验证tDCS技术”,2016年,https://www.trans-cranial.com/。视图:谷歌学术搜索
33. j·a·m·科雷亚m . k . Abadi n·瑟和佩特雷,“朋友:一个数据集的影响,人格和情绪对个人和团体的研究,“IEEE情感计算, 2018年。视图:出版商的网站|谷歌学术搜索
34. Aksoy和r . m . Haralick”功能正常化为图像检索和基于可能性相似的措施,”模式识别的字母,22卷,不。5,563 - 582年,2001页。视图:出版商的网站|谷歌学术搜索
35. G.-B。黄、周h . x叮,r·张“回归和多级分类,极端的学习机器”IEEE系统,人,控制论,B部分(控制论),42卷,不。2、513 - 529年,2012页。视图:出版商的网站|谷歌学术搜索
36. f . y . Wang曹,y元,“极端学习机的有效性研究。”Neurocomputing,卷74,不。16,2483 - 2490年,2011页。视图:出版商的网站|谷歌学术搜索
37. 答:密封,d .保护m . Nasipuri c . Gonzalo-Martin和e . Menasalvas”的多孔小波transform-based混合图像融合人脸识别使用区域分类器,”专家系统,35卷,不。6篇文章e12307 2018。视图:出版商的网站|谷歌学术搜索
38. k·k·沙玛和a .密封”建模不确定数据使用蒙特卡罗积分法进行聚类,“专家系统与应用程序卷,137年,第116 - 100页,2019年。视图:出版商的网站|谷歌学术搜索
39. a . Karlekar和a .密封”Soynet:大豆叶片疾病分类”计算机和电子产品在农业第105342条,卷。172年,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年东印度缎木密封等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。