基于加权KNN算法的脑电信号情绪识别-AET-电子技术应用

基于加权KNN算法的脑电信号情绪识别

2022年电子技术应用第10期

蔡靖，袁守国，李锐，徐梦辉

吉林大学仪器科学与电气工程学院，吉林长春130061

摘要： 情绪与人类的行为、家庭及社会密切相关。情绪不仅能反映人类的各种感觉、思想和行为，而且也是各种外部刺激所产生的心理和生理反应，所以在很多领域中对情绪的正确识别十分重要。情绪的变化会导致脑电图(EEG)信号发生变化，反之，这些变化也反映了情绪状态。基于DEAP数据库，对EEG信号进行时域特征和频域特征提取，通过PCA主成分分析法对特征进行降维处理。利用加权KNN算法进行5折交叉验证训练，最终对兴奋(excited)、放松(relaxed)、沮丧(depressed)、愤怒(angry)4种情绪状态的识别准确率达到80%。

关键词： EEG信号主成分分析PCA 时域特征频域特征加权KNN

中图分类号： TP301.6
文献标识码： A
DOI：10.16157/j.issn.0258-7998.222526
中文引用格式： 蔡靖，袁守国，李锐，等. 基于加权KNN算法的脑电信号情绪识别[J].电子技术应用，2022，48(10)：25-30，35.
英文引用格式： Cai Jing，Yuan Shouguo，Li Rui，et al. Emotion recognition of EEG signals based on weighted KNN algorithm[J]. Application of Electronic Technique，2022，48(10)：25-30，35.

Emotion recognition of EEG signals based on weighted KNN algorithm

Cai Jing，Yuan Shouguo，Li Rui，Xu Menghui

School of Instrument Science and Electrical Engineering，Jilin University，Changchun 130061，China

Abstract： Emotion is closely related to human behavior, family and society. Emotion can not only reflect all kinds of human feelings, thoughts and behaviors, but also the psychological and physiological responses produced by various external stimuli. Therefore, the correct identification of emotion is very important in many fields. The change of emotion will lead to the change of electroencephalogram(EEG) signal. On the contrary, these changes also reflect the change of emotional state. Based on the DEAP database, this paper extracts the time-domain and frequency-domain features of EEG signals, and reduces the dimension of the features by principal component analysis(PCA). The weighted KNN algorithm is used for 5-fold cross validation training. Finally, the recognition accuracy of excited, relaxed, depressed and angry emotions reaches 80%.

Key words : EEG signal；principal component analysis(PCA)；time-domain feature；frequency-domain feature；weighted KNN

0 引言

情绪是人们对客观事物的一种反馈方式，更是人们情感的表现方式，故而情绪识别被广泛应用于人工智能、心理学、情感计算、计算机视觉和医学治疗等领域^[1]。生理信号是由人体内的自主神经系统活动而产生的，既不会受到人为意志的控制，也不会被伪装，可以客观地反映人体的生理和心理活动状态，因而可以作为一种能够较准确判断情绪状态的依据。随着科学技术的发展，基于生理信号(脑电、心电、脉搏、呼吸、皮温、肌电、皮肤电导)的情绪识别的研究取得了大量的成果。文献表明，与大脑活动最密切的EEG信号可以最真实地反映出人的情绪状态^[2]。

近年来，基于脑电信号的情绪识别是当前关于情绪研究领域和人机交互领域的热门课题。Pane等人提出了一种将情绪侧化和整体学习相结合的策略，对DEAP数据集采用随机森林的方法进行分类，分类准确率为75.6%^[3]；Verma等人基于DEAP数据库使用支持向量机(Support Vector Machine，SVM)进行多模态情绪识别^[4]；Kolodyazhniy利用K-近邻算法和交叉验证的方法对34名参与者的数据集进行分析，对恐惧、悲伤及中性3种情绪状态的识别准确率最高达73.2%^[5]。但这些方法识别情绪种类不多且准确率较低，对此，本文提出一种采用加权KNN算法、基于DEAP数据库的5折交叉验证的方法实现对兴奋(excited)、放松(relaxed)、沮丧(depressed)、愤怒(angry)4种情绪的准确识别，识别准确率高达80%。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000004952。

作者信息：

蔡靖，袁守国，李锐，徐梦辉

(吉林大学仪器科学与电气工程学院，吉林长春130061)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容