基于卷积神经网络的EEG情绪分类研究

《基于卷积神经网络的EEG情绪分类研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、？学校代码：１００５２｜学号：Ｓ１５１１８７＂ｉ－－．１紅普／ＭＸ＾ｐＩＮＺＵＵＮＩＶＥＲＳＩＴＹＯＦＣＨＩＮＡ硕士学位论文泉子未积神绖网终的ＥＥＧ椅緒分类研免姓名：张本禹指导教师：蒋惠萍？学院．信息工程学院专业：计算机科学与技术完成日期：２０１８．５．１９学位论文原创性声明本人郑重声明，：所呈交的学位论文是本人在导师指导下进行研究工作所取得的研究成果。除文中己经注明引用的内容外，本学位论文的研宄成果不包含任何他人创作的、己公开发

2、表或者没有公开发表的作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体，均己在文中以明确方式标明。本学位论文原创性声明的法律责任由本人承担。学位论文作者签字：２０ｆｔ年（月３曰／学位论文使用授权书根据相关规定，我校的博士、硕士学位获得者均须向中央民族大学提交本人的学位论文纸质本及相应电子版。本人完全了解并同意中央民族大学拥有在《著作权法》规定范围内的学位论文使用权，１即：学位获得者必须按规定提交学位论文（包括纸质印刷本及电子版）；２为教学（）（）和科研目的，学校可以将公

3、开的学位论文作为资料在图书馆等场所提供校内师生阅读等３根据教育部有关规定，中央民族大学向教育部指定单位提交公开的学位论文服务；；（）（４）学位论文作者授权学校向中国学术期刊（光盘）电子出版社提交规定范围的学位论文及其电子版并收入相应学位论文数据库，通过其相关网站对外进行信息服务。同时本人保留在其他媒体发表论文的权利。本人承诺：本人的学位论文是在中央民族大学学习期间创作完成的作品，并己通过论文答辩纸质本论文的内容一致，；提交的学位论文电子版与如因不同造成不良后果由本人自负。本人同意遵守上述规定

4、。（保密的学位论文在解密后适用本授权书，本论文：□不保密，□保密期限至年月止）学位论文作者暨授权人签字：２０Ｒ年６月卜曰Ｉ摘要人机交互是人工智能的一项重要内容，近年来随着计算机技术的不断发展，人机交互的方式也不断扩充。脑机接口因其真实性高、可以满足残障人士的需求等因素受到了很多领域的广泛关注。要想实现人机自然交互，必须赋予计算机识别人的情绪的能力，因而如何从脑机接口中识别出人的情绪显得至关重要。近年来脑电（ＥＥＧ）的研宄己经日趋成熟，许多方法己经被应一用到基于脑电的情绪识

5、别中，然而卷积神经网络作为门新兴技术，在脑电的应用上还比较少，本文探宄了卷积神经网络在脑电情绪识别上的若干应用，本文的主要工作如下：，首先设计了情绪刺激材料，采集了积极和消极情绪的脑电样本然后用了去除坏区、去除眼电伪迹、去除其它伪迹、数字滤波等方法对原始脑电进。行了预处理，从而去除脑电中的噪声接下来，本文选择了五种模型对预处理后的脑电数据进行分类，这５－ＳＶＭ－－－－－－种模型分别是ＷＴ、ＷＴＣＮＮ、ＣＳＰＶＡＲＳＶＭ、ＣＳＰＶＡＲＣＮＮ、ＣＳＰＣＮＮ。其ＷＴ－ＳＶＭ－中、ＷＴＣＮＮ模型运

6、用小波变换提取脑电特征，然后分别运用支持向ＣＳＰ－ＶＡＲ－ＳＶＭ－－、ＣＳＰＶＡＲＣＮＮ模量机和卷积神经网络进行分类；型运用共同空间模式进行降维，然后选取标准化的方差作为特征，最后分别运用支持向－ＣＮＮ模型运用共同空间模式进行降维量机和卷积神经网络进行分类，；ＣＳＰ。然后直接运用卷积神经网络对降维后的脑电进行特征提取和分类其中，本ＷＴ－ＳＶＭ模型进文在采用行分类时，对小波变换后四种特征进行了对比分析，ＣＳＰ－ＶＡＲ－ＳＶＭ。在采用模型进行分类时，我们选取了合适的降维数量ＩＩ５用种分类模型对脑

7、电进行分类后，我们对这些分类模型的分类效果进：行了对比分析，发现１）在对情绪特征分类时，卷积神经网络的分类效果与基于高斯径向基一些－ＣＮＮ核函数的支持向量机总体相近，比如ＷＴ模，但卷积神经网络略优８６－－－型的平均分类准确率为．９０％，相较ＷＴＳＶＭ模型提高了０．３９％，ＣＳＰＶＡＲＣＮＮ－－６９．８４％ＣＳＰＶＡＲＳＶＭ提高了０．７９％。模型的分类准确率为，相较－－－２）０５？０＿模型的平均分类准确率为８０．５６％０３？￥六１？５州，相较模型－〇＾０１１．７２％提升了．５１％，相较

8、０３？巧４１？模型提升了１，此结果说明了卷积神经网络可以直接用于对降维后的脑电数据进行特征提取和分类，相较标准化的方差作为特征改进明显。－ＣＮＮ模型６３）在本文的５种分类模型中，分类效果最好的为ＷＴ，在个被试上的平均分类准确率为８６．９０％。关键词：脑电卷积神经网络小波变换；共同空