李 昕 齊曉英 田彥秀 孫小棋 范夢(mèng)頔 蔡二娟

(*燕山大學(xué)電氣工程學(xué)院生物醫(yī)學(xué)工程研究所 秦皇島 066004)(**河北省測(cè)試計(jì)量技術(shù)及儀器重點(diǎn)實(shí)驗(yàn)室 秦皇島 066004)(***北京工業(yè)大學(xué) 生命科學(xué)與生物工程學(xué)院 北京 100124)

?

基于排列熵與多重分形指數(shù)結(jié)合的特征提取算法在情感識(shí)別中的應(yīng)用①

李 昕②******齊曉英***田彥秀***孫小棋***范夢(mèng)頔***蔡二娟***

(*燕山大學(xué)電氣工程學(xué)院生物醫(yī)學(xué)工程研究所 秦皇島 066004)
(**河北省測(cè)試計(jì)量技術(shù)及儀器重點(diǎn)實(shí)驗(yàn)室 秦皇島 066004)
(***北京工業(yè)大學(xué) 生命科學(xué)與生物工程學(xué)院 北京 100124)

通過(guò)對(duì)腦電信號(hào)的熵分析，進(jìn)行了情感識(shí)別研究，并根據(jù)腦電信號(hào)的非線性特性以及多重分形特性的特點(diǎn)，提出了一種排列熵與多重分形指數(shù)相結(jié)合的情感腦電特征提取算法。該算法采用排列熵、Hurst指數(shù)、質(zhì)量指數(shù)和奇異譜寬度相結(jié)合，實(shí)現(xiàn)情感腦電的特征提取，采用支持向量機(jī)(SVM))實(shí)現(xiàn)情感識(shí)別。結(jié)果顯示，該算法兩兩情感識(shí)別，測(cè)試集最高正確率達(dá)到92.8%，除去激動(dòng)對(duì)可怕外，正確率均在80%以上；與單獨(dú)使用排列熵和分形指數(shù)特征的方法相比，最高正確率分別提高41.9%和31.2%。進(jìn)一步分析了對(duì)積極和消極兩類情感狀態(tài)的識(shí)別效果，測(cè)試集平均正確率為78.3%，比排列熵與多重分形特征，測(cè)試集正確率分別提高了26.7%和1.6%。結(jié)果表明，基于排列熵與多重分形指數(shù)相結(jié)合的特征提取算法，能夠充分挖掘腦電信號(hào)的非線性特性與多重分形特征信息，是一種有效的情感腦電特征提取算法。

腦電(EEG)信號(hào)，排列熵(PE)，多重分形指數(shù)，支持向量機(jī)(SVM)

0 引 言

1997年，麻省理工學(xué)院的Picard教授在她的專著《Affective Computing》中首次提出了“情感計(jì)算”這一概念，指出：“情感計(jì)算是與情感相關(guān)，來(lái)源于情感或能夠?qū)η楦惺┘佑绊懙挠?jì)算”[1]，而情感識(shí)別是實(shí)現(xiàn)情感計(jì)算的基礎(chǔ)和核心內(nèi)容。腦電信號(hào)能夠充分反映人的生理與心理變化，同時(shí)腦電采集具有無(wú)創(chuàng)、便捷、低成本和高時(shí)間分辨率等特點(diǎn)，因此，基于腦電信號(hào)實(shí)現(xiàn)情感識(shí)別具有一定的研究意義與應(yīng)用價(jià)值。

為了更好地實(shí)現(xiàn)基于腦電信號(hào)的情感識(shí)別，情感腦電特征提取至關(guān)重要，基于熵與非線性動(dòng)力學(xué)特征實(shí)現(xiàn)腦電特征提取，取得了一定進(jìn)展。Murugappan等研究不同小波變換函數(shù)、腦電頻段以及電極個(gè)數(shù)對(duì)情感識(shí)別的影響，基于熵特征進(jìn)行情感識(shí)別，正確率達(dá)到83.04%[2]。Hosseini等采集了FP1、FP2、T3、T4和Pz等電極的腦電信號(hào)，提取腦電信號(hào)的近似熵作為特征，利用支持向量機(jī)(support vector machine, SVM)算法進(jìn)行情感識(shí)別，正確率為73.25%[3]。呂寶糧等使用共同空間模式提取腦電中γ波事件相關(guān)/事件去相關(guān)特征作為特征，區(qū)分高興和悲傷兩種情感，基于支持向量機(jī)進(jìn)行識(shí)別，識(shí)別率達(dá)到93.5%[4]。

排列熵是Bandt提出的一種基于復(fù)雜性測(cè)度的非線性參數(shù)算法，用于計(jì)算一維時(shí)間序列的復(fù)雜性，與李雅普若夫指數(shù)相似，但運(yùn)算步驟和運(yùn)算時(shí)間都相對(duì)較少，運(yùn)算效率較高。排列熵算法適用于任何時(shí)間序列，例如規(guī)律的、混沌或含有噪聲的時(shí)間序列[5]。李谷等基于排列熵對(duì)睡眠腦電進(jìn)行分析，利用支持向量機(jī)進(jìn)行睡眠期識(shí)別，平均正確率達(dá)79.6%[6]。Edordo等人利用頭皮腦電排列熵作為預(yù)測(cè)癲癇的工具，計(jì)算每一個(gè)通道的排列熵，并按照排列熵大小分為高、中、低隨機(jī)性。研究發(fā)現(xiàn)失神癲癇病患者前腦區(qū)域出現(xiàn)高隨機(jī)性，在后腦區(qū)域出現(xiàn)低隨機(jī)性，與正常人相反，說(shuō)明失神癲癇患者發(fā)生了多灶性腦改變[7]。Xiaoli L等用排列熵預(yù)測(cè)遺傳性缺失癲癇疾病，結(jié)果發(fā)現(xiàn)排列熵可以跟蹤腦電的動(dòng)態(tài)變化，相對(duì)于樣本熵能夠較好地預(yù)測(cè)癲癇疾病[8]。

多重分形去趨勢(shì)波動(dòng)分析算法由Kantelhardt[9]等提出，是由多個(gè)標(biāo)度指數(shù)組成，可以描述不同層次的分形特征，即長(zhǎng)程相關(guān)性和標(biāo)度不變性。張翔等研究了癲癇發(fā)作期腦電的多重分形特征，同時(shí)與癲癇腦電熵特征進(jìn)行了比較，結(jié)果顯示，基于多重分形的癲癇檢測(cè)性能相對(duì)穩(wěn)定[10]。葛家怡等研究了睡眠腦電的多重分形特性，提取了廣義Hurst指數(shù)，發(fā)現(xiàn)不同睡眠時(shí)期的Hurst指數(shù)不同，并且隨著時(shí)間尺度的增加而增大，變化趨勢(shì)一致，清醒狀態(tài)下腦電Hurst指數(shù)最大[11]。Akash等將多重分形去趨勢(shì)波動(dòng)方法應(yīng)用到音樂(lè)刺激腦電中研究了腦電節(jié)律變化。他們采集了前額腦電，利用經(jīng)驗(yàn)?zāi)B(tài)分解和小波變化得到腦電節(jié)律，基于多重分形去趨勢(shì)波動(dòng)方法研究了節(jié)律復(fù)雜度的變化，發(fā)現(xiàn)音樂(lè)刺激時(shí)β和α節(jié)律的奇異譜寬度增加[12]。利用多重分形指數(shù)實(shí)現(xiàn)腦電情感識(shí)別的研究正逐漸引起領(lǐng)域?qū)W者的重視。

腦電信號(hào)具有長(zhǎng)程相關(guān)性，同時(shí)也具有短程去相關(guān)性，所以單一參數(shù)對(duì)腦電的描述都不充分。本文針對(duì)腦電信號(hào)的非線性與混沌分形的特性，提出了一種排列熵與多重分形去趨勢(shì)波動(dòng)分析方法相結(jié)合的情感腦電特征提取算法。該研究采用DEAP國(guó)際標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)，基于支持向量機(jī)分類實(shí)現(xiàn)了該算法的情感腦電識(shí)別，將其性能與其他算法的性能進(jìn)行了對(duì)比。

1 排列熵與多重分形去趨勢(shì)波動(dòng)分析

1.1 排列熵

排列熵基本原理是相鄰數(shù)據(jù)之間的比較，適用于分析非線性信息，具有很好的魯棒性，而且能夠很好地抑制噪聲。

根據(jù)嵌入定理，設(shè)任一時(shí)間序列X={x(1),x(2),…,x(n)}，按照Takens定理對(duì)這一時(shí)間序列進(jìn)行重構(gòu)，如下式

j=1,2,…,K, K=n-(m-1)τ (1)

所示。矩陣中的每一行作為一個(gè)分量，按照升序重新排列，如式

x(j+(q1-1)τ)≤x(j+(q2-1)τ)≤… ≤x(j+(qm-1)τ)

(2)

所示，其中m為嵌入維數(shù)，τ為延遲時(shí)間。q1,q2,…,qm分別為各個(gè)元素所在列的索引。如果存在相等的情況，則按照索引qm大小進(jìn)行排序，例如qi

(3)

當(dāng)序列為周期性序列時(shí)，排列熵最小為零，當(dāng)序列為噪聲序列時(shí)，排列熵達(dá)到最大，最大值為ln(m!)，

通常利用ln(m!)對(duì)HP(m)進(jìn)行歸一化處理，如下式所示：

0≤HP=Hp(m)/ln(m!)≤1

(4)

歸一化排列熵反映了時(shí)間序列的隨機(jī)程度，排列熵越小，時(shí)間序列越規(guī)則，相反時(shí)間序列接近于隨機(jī)時(shí)間序列，反映了時(shí)間序列中的細(xì)微變化。

1.2 多重分形去趨勢(shì)波動(dòng)分析

腦電的長(zhǎng)程相關(guān)性和冪指數(shù)規(guī)律特性，表明腦電具有標(biāo)度不變性，即分形特性，同時(shí)腦電也具有類似噪聲的短程去相關(guān)性。多重分形從不同維數(shù)描述腦電信號(hào)，更適合于腦電的分析。它是由多個(gè)標(biāo)度指數(shù)組成，表示的是奇異測(cè)度，即用奇異譜函數(shù)描述不同層次的分形特征。

多重分形去趨勢(shì)波動(dòng)分析方法是一種新的多重分形分析法，即可以描述長(zhǎng)程相關(guān)性和標(biāo)度不變性，也可以判斷時(shí)間序列是否具有多重分形特性。

若時(shí)間序列不是隨機(jī)游走序列，則將時(shí)間序列轉(zhuǎn)化為隨機(jī)游走序列，如下式所示：

(5)

將隨機(jī)游走序列{Y(i)}分成m個(gè)長(zhǎng)度為s的不重疊區(qū)間，對(duì)每一個(gè)區(qū)間v(v=1,2,…,m)內(nèi)的點(diǎn)進(jìn)行最小二乘法擬合得到n階擬合多項(xiàng)式y(tǒng)v(i)，如下式(6)所示：

yv(i)=…a1ik+a2ik+…+aki+ak+1，

i=1,2,…,s； k=1,2,…,n (6)

由下式(7)計(jì)算局部趨勢(shì)函數(shù)并計(jì)算方差：

(7)

對(duì)所有區(qū)間上的方差取均值，得到q階波動(dòng)函數(shù)，如下式(8)所示：

(8)

針對(duì)每一個(gè)q值，F(xiàn)q(s)和s的關(guān)系可以表示為

Fq(s)～sh(q)

(9)

公式(9)兩邊分別取對(duì)數(shù)，log(Fq(s))和logs為線性函數(shù)，線性函數(shù)的斜率H(q)即為Hurst指數(shù)，Hurst指數(shù)與q一般成非線性，如果為線性函數(shù)，則時(shí)間序列為單分形。

通過(guò)Hurst指數(shù)計(jì)算質(zhì)量指數(shù)τ(q)，如式(10)所示：

τ(q)=qH(q)-1

(10)

質(zhì)量指數(shù)計(jì)算奇異指數(shù)α和奇異維數(shù)f(α)，如下式(11)表示：

f(α)=q·α(q)-τ(q)

(11)

奇異指數(shù)反映了區(qū)間奇異程度，與奇異性成反比。奇異維數(shù)反映了分形結(jié)構(gòu)上的不均勻性，代表奇異指數(shù)的維數(shù)。Δα=αmax-αmin表示分形譜的寬度，奇異譜寬度代表最大概率和最小概率之間的差別，Δα越大，時(shí)間序列分布越不均勻，多重分形越明顯。所以多重分形去趨勢(shì)波動(dòng)指數(shù)包括Hurst指數(shù)、質(zhì)量指數(shù)、奇異指數(shù)、奇異維數(shù)和奇異譜寬度。

2 基于排列熵與多重分形去趨勢(shì)波動(dòng)分析結(jié)合的情感腦電特征提取

2.1 數(shù)據(jù)選擇

采用Koelstra等提出的分析人類情感狀態(tài)的多通道數(shù)據(jù)庫(kù)DEAP[13]，該實(shí)驗(yàn)數(shù)據(jù)記錄了32位健康受試者觀看40個(gè)時(shí)長(zhǎng)為一分鐘的不同音樂(lè)視頻時(shí)的腦電信號(hào)和外周生理信號(hào)。受試者的平均年齡26.9歲，男女各半。數(shù)據(jù)集已經(jīng)過(guò)預(yù)處理，除去眼電等噪聲信號(hào)，采樣頻率為128Hz，采用4.0～45Hz濾波，可以直接進(jìn)行分析。根據(jù)文獻(xiàn)[14]得知，激動(dòng)、可怕、高興情感在C4通道腦電特征較明顯，抑郁、柔和、難過(guò)情感在F3通道較明顯，本文只針對(duì)這6種情感腦電信號(hào)進(jìn)行分析。

數(shù)據(jù)長(zhǎng)度的選擇對(duì)分析結(jié)果具有一定的影響，本文中采用的數(shù)據(jù)庫(kù)每一組共包含8064個(gè)數(shù)據(jù)點(diǎn)，前三秒屬于基線數(shù)據(jù)，不用于分析，所以用于分析的數(shù)據(jù)點(diǎn)變?yōu)?680個(gè)，本文分別對(duì)1000、3000和5000個(gè)數(shù)據(jù)點(diǎn)進(jìn)行比較分析，選出較為合適的數(shù)據(jù)長(zhǎng)度。

以高興和難過(guò)兩類情感為例，分別計(jì)算了3種數(shù)據(jù)點(diǎn)兩種算法的運(yùn)算時(shí)間和識(shí)別正確率，如表1所示。

通過(guò)表1對(duì)比，1000個(gè)數(shù)據(jù)點(diǎn)排列熵運(yùn)算時(shí)間最短，正確率較低，3000個(gè)數(shù)據(jù)點(diǎn)和5000個(gè)數(shù)據(jù)點(diǎn)正確率雖然較高但是運(yùn)算時(shí)間較長(zhǎng)，而且正確率相對(duì)于1000個(gè)數(shù)據(jù)點(diǎn)僅僅提高了0.4%，所以排列熵算法選擇1000個(gè)數(shù)據(jù)點(diǎn)。對(duì)于多重分形算法，1000個(gè)數(shù)據(jù)點(diǎn)不管是運(yùn)算時(shí)間還是正確率都顯示出優(yōu)勢(shì)。所以本文算法選擇1000個(gè)數(shù)據(jù)點(diǎn)進(jìn)行分析。

表1 情感數(shù)據(jù)選擇

2.2 基于排列熵情感腦電特征提取

本文選取32個(gè)被試者的情感數(shù)據(jù)1000個(gè)，嵌入維數(shù)m取值為5，延遲時(shí)間τ為1，即每一維連續(xù)取5個(gè)數(shù)據(jù)點(diǎn)，所以重構(gòu)時(shí)間序列的符號(hào)序列共有120種。六種情感腦電排列熵如圖1所示，六種情感依次為激動(dòng)、可怕、高興、憂郁、柔和與難過(guò)，每一種情感包含32個(gè)排列熵，即圖中前32個(gè)點(diǎn)代表激動(dòng)，33～64個(gè)點(diǎn)代表可怕，依次類推。前四種情感波動(dòng)較為明顯，排列熵的浮動(dòng)較大，說(shuō)明六種情感具有差異性。

圖1 情感排列熵

為了進(jìn)一步分析六種情感排列熵的差異，對(duì)六種情感的32組數(shù)據(jù)求取均值，如圖2所示。憂郁情感腦電排列熵較大，難過(guò)情感腦電排列熵較小，激動(dòng)、柔和和難過(guò)三種情感排列熵明顯低于其他三種。六種情感的排列熵差別并不顯著，差值只有千分之一。

基于支持向量機(jī)分類器實(shí)現(xiàn)兩兩情感識(shí)別，正確率如表2所示，表明：排列熵特征情感識(shí)別正確率僅為50%左右，并不能充分挖掘情感腦電信號(hào)的特征本質(zhì)。

圖2 情感排列熵均值

2.3 多重分形去趨勢(shì)波動(dòng)分析

基于多重分形去趨勢(shì)波動(dòng)方法提取的情感腦電特征參數(shù)主要包括Hurst指數(shù)、質(zhì)量指數(shù)、奇異指數(shù)和奇異譜寬度等。Hurst指數(shù)主要判斷時(shí)間序列是否具有混沌性，Hurst指數(shù)不同，數(shù)據(jù)相關(guān)性也不同，Hurst指數(shù)接近1時(shí)說(shuō)明時(shí)間序列相關(guān)性最強(qiáng)。 質(zhì)量指數(shù)與階數(shù)之間若為曲線，證明情感腦電具有多重分形特性，若為線性，則為單分形特性。奇異指數(shù)用來(lái)描述各個(gè)區(qū)間不同的奇異程度，與奇異性成反比，奇異譜寬度指在一定階數(shù)范圍內(nèi)奇異指數(shù)的范圍。本文中取階數(shù)范圍為[-5 5]，在這個(gè)范圍內(nèi)Hurst指數(shù)大部分在[0.5 1]之間。

基于多重分形指數(shù)分析六種情感，如圖3為六種情感的多重分形奇異譜圖。六種情感多重分形譜圖都為單峰拱形，說(shuō)明情感數(shù)據(jù)具有分形特性。

圖3 情感多重分形譜

同樣計(jì)算六種情感的奇異譜寬度均值，進(jìn)行對(duì)比，如圖4所示。由圖可知，六種情感的奇異譜寬度雖然有差異，但較小，所以基于單個(gè)多重分形指數(shù)進(jìn)行情感識(shí)別效果可能會(huì)不理想。

圖4 情感奇異譜寬度均值

基于奇異譜寬度實(shí)現(xiàn)情感腦電特征提取，通過(guò)支持向量機(jī)進(jìn)行情感識(shí)別，結(jié)果如表2所示。結(jié)果顯示，基于多重分形奇異譜寬度進(jìn)行情感識(shí)別測(cè)試正確率高于排列熵的正確率，均達(dá)到50%以上，其中激動(dòng)對(duì)難過(guò)正確率提高了13.6%，但是基于奇異譜寬度的識(shí)別效果也并不理想，最高達(dá)到64.5%，最低為52.8%，并不能對(duì)六種情感進(jìn)行一對(duì)一識(shí)別。

綜合腦電信號(hào)的Hurst指數(shù)、質(zhì)量指數(shù)、奇異譜寬度三個(gè)多重分形參數(shù)特征實(shí)現(xiàn)情感識(shí)別，識(shí)別率如表2所示。

表2 情感腦電識(shí)別正確率對(duì)比

由表2得出多個(gè)多重分形指數(shù)的識(shí)別正確率明顯高于單一指數(shù)的識(shí)別正確率，最高提高了19.0%，測(cè)試集正確率都在60%以上，最高達(dá)到76.0%，說(shuō)明基于多個(gè)多重分形進(jìn)行情感識(shí)別效果較好。為了進(jìn)一步提高識(shí)別正確率，本文將熵與多重分形指數(shù)結(jié)合進(jìn)行了6種不同情感的識(shí)別。

2.4 基于排列熵與多重分形相結(jié)合的情感腦電提取算法

基于以上分析，提出了一種基于排列熵與多重分形相結(jié)合的情感腦電提取算法。算法流程如圖5所示。

算法充分考慮腦電信號(hào)的非線性特點(diǎn)以及多重分形特征，結(jié)合排列熵、Hurst指數(shù)、質(zhì)量指數(shù)和奇異譜寬度，實(shí)現(xiàn)情感腦電特征提取。采用支持向量分類(C-SVC)模型以及徑向基函數(shù)(RBF)，通過(guò)遺傳算法(GA)尋求最優(yōu)懲罰系數(shù)C和核參數(shù)σ，首先選擇實(shí)值編碼策略，設(shè)置種群大小取20代，最大進(jìn)化代數(shù)設(shè)定為100，交叉和變異概率分別設(shè)為0.4和0.01。為了防止排列熵與多重分形指數(shù)產(chǎn)生過(guò)擬合，本文采用主成分分析對(duì)特征進(jìn)行特征融合。

圖5 排列熵與多重分形情感特征提取算法流程圖

選取32組情感腦電數(shù)據(jù)點(diǎn)，循環(huán)分類10次，取測(cè)試識(shí)別正確率平均值進(jìn)行結(jié)果分析，結(jié)果如表2所示。

排列熵與多重分形指數(shù)相結(jié)合實(shí)現(xiàn)情感狀態(tài)識(shí)別，測(cè)試集正確率在80%以上，可怕對(duì)高興達(dá)到92.8%。相對(duì)于單獨(dú)使用熵或分形指數(shù)正確率明顯提高，只有激動(dòng)對(duì)可怕正確率有所降低，可能原因是這兩種情感在某種情況下相似。

將激動(dòng)和高興作為積極情感，抑郁和難過(guò)作為消極情感，基于本文算法對(duì)兩種不同反應(yīng)的情感狀態(tài)進(jìn)行識(shí)別，結(jié)果見表3。

表3表明本文算法提高了情感識(shí)別的正確率，對(duì)積極和消極情感狀態(tài)的識(shí)別了測(cè)試集正確率達(dá)到78.3%，相對(duì)于其他三種方法分別提高了27.7%、19.9%和1.6%，說(shuō)明用本文算法進(jìn)行情感識(shí)別是可行的。

本文算法對(duì)可怕與高興兩種情感狀態(tài)識(shí)別的正確率較高，激動(dòng)對(duì)可怕識(shí)別率較低，分析原因是這兩種情感較為接近，例如感到高興時(shí)，情緒有可能是激動(dòng)狀態(tài)，其余任何兩種情感識(shí)別正確率都達(dá)到了80%以上，其中激動(dòng)對(duì)難過(guò)、可怕對(duì)高興、可怕對(duì)抑郁、高興對(duì)柔和與抑郁對(duì)柔和識(shí)別率都達(dá)到90%以上，說(shuō)明排列熵與多重分形標(biāo)度指數(shù)結(jié)合可以很好地識(shí)別兩種不同情感。同時(shí)本文算法對(duì)積極和消極情感進(jìn)行識(shí)別，識(shí)別率達(dá)到70%以上，說(shuō)明基于本文算法進(jìn)行情感識(shí)別是有效的。

表3 積極和消極情感狀態(tài)識(shí)別率

為了評(píng)估本文算法性能，分析比較了本文算法與其他研究組的工作，如表4所示。由于表4中所采用的情感腦電數(shù)據(jù)來(lái)源不同，特征提取和個(gè)數(shù)不同，所以本文只是對(duì)各個(gè)研究組的結(jié)果予以簡(jiǎn)單比較說(shuō)明。表4表明，選擇支持向量機(jī)作為分類器實(shí)現(xiàn)情感識(shí)別，識(shí)別正確率均在70%以上，Murugappan采用k近鄰(KNN)分類器，識(shí)別最高正確率達(dá)到83.04%，本文算法最高正確率達(dá)到92.80%。

表4 情感識(shí)別正確率比較

3 結(jié) 論

本文提出了一種基于排列熵與多重分形去趨勢(shì)波動(dòng)指數(shù)相結(jié)合的情感腦電特征提取算法，以支持向量機(jī)作為分類器實(shí)現(xiàn)情感識(shí)別，并對(duì)算法在情感腦電識(shí)別中的性能進(jìn)行了比較。積極與消極兩類情感狀態(tài)識(shí)別結(jié)果顯示：基于本文算法測(cè)試集正確率達(dá)到78.3%，相對(duì)于其他特征選擇方法較高。六種情感狀態(tài)一對(duì)一識(shí)別結(jié)果表明：測(cè)試集識(shí)別正確率最高達(dá)到92.8%，除了激動(dòng)對(duì)可怕外，其余都在80%以上。本文算法與單獨(dú)使用排列熵、多重分形特征相比，測(cè)試集識(shí)別正確率分別提高了41.6%和31.2%?；谂帕徐嘏c多重分形指數(shù)相結(jié)合，是一種高效的情感腦電特征提取算法，可以有效地提取腦電的非線性和分形特性特征。

[ 1] Picard R W, Healey J. Affective wearables .PersonalTechnologies, 1997, 1(4): 231-240

[ 2] Murugappan M, Nagarajan R, Yaacob S. Combining spatial filtering and wavelet transform for classifying human emotions using EEG signals.JournalofMedicalandBiologicalEngineering, 2011, 31(1): 45-51

[ 3] Hosseini S A, Naghbi-Sistani M B. Emotion recognition method using entropy analysis of EEG signals.InternationalJournalofImage,GraphicsandSignalProcessing(IJIGSP), 2011,3(5): 30-36

[ 4] Li M, Lu B L. Emotion Classification Based on gamma-band EEG. In: Proceedings of the IEEE Engineering in Medicine and Biology Society,Minnesota, USA, 2009. 1223-1226

[ 5] Bandt C, Pompe B. Permutation entropy:a natural complexity measure for time series.PhysicalReviewLetters, 2002, 88(17): 1595-1602

[ 6] 李谷, 范影樂(lè), 龐全. 基于排列組合熵的腦電信號(hào)睡眠分期研究. 生物醫(yī)學(xué)工程雜志 2009,26(4): 869-872

[ 7] Edoardo F, Nadia M, Vittoria C, et al. Permutation entropy of scalp EEG: A tool to investigate epilepsies Suggestions from absence epilepsies.ClinicalNeurophysiology, 2014, 1(125):13-20

[ 8] Xiaoli L, Gaoxian O, Douglas A R. Predictability analysis of absence seizures with permutation entropy.EpilepsyResearch, 2007, 1(77):70-74

[ 9] Kantelhardt J W, Zschiegner S A, Bunde E K, et al. Multifractal detrended fluctuation analysis of nonstationary time series.PhysicaA:StatisticalMechanicsanditsApplications, 2002, 316(1/4): 87-114

[10] 張翔, 丁勇, 劉小峰. MF-DFA在癲癇發(fā)作期及發(fā)作強(qiáng)度檢測(cè)中的應(yīng)用. 數(shù)據(jù)采集與處理 2013, 28(5): 664-671

[11] 葛家怡, 周鵬, 趙欣等. 睡眠腦電信號(hào)的多重分形去趨勢(shì)波動(dòng)分析. 天津大學(xué)學(xué)報(bào), 2008, 41(10): 1148-1151

[12] Akash K M, Ruchira P, Anubrato M, et al. Mutifractal detrended fluctuation analysis of alpha and theta EEG rhythms with musical stimuli.Chaos,SolitonsandFractals, 2015, 1(18):52-67

[13] Koelstra S, Muhl C, Soleymani M, et al. DEAP: A database for emotion analysis using physiological signals.AffectiveComputing, 2012,3(1): 18-31

[14] 李紅紅. 腦電數(shù)據(jù)分析方法及其在壓力情感狀態(tài)評(píng)估中的應(yīng)用：[碩士學(xué)位論文]. 秦皇島: 燕山大學(xué)生物醫(yī)學(xué)工程系, 2014. 19-34

doi：10.3772/j.issn.1002-0470.2016.07.002

Application of the feature extraction based on combination of permutation entropy and multi-fractal index to emotion recognition

Li Xin******, Qi Xiaoying***, Tian Yanxiu***, Sun Xiaoqi***, Fan Mengdi***, Cai Erjuan***

(*Institute of Biomedical Engineering, Yanshan University, Qinhuangdao 066004)(**Measurement Technology and Instrumentation Key Lab of Hebei Province, Qinhuangdao 066004)(***The College of Life Science and Bio-Engineering, Beijing University of Technology, Beijing 100124)

The emotion recognition was studied by using the entropy analysis of EEG signals, and an algorithm for extraction of emotion EEG features based on the combination of permutation entropy and multi fractal index was put forward. The algorithm achieves EEG feature extraction by combinative use of the parameters of permutation entropy, Hurst exponent, mass index and singular spectrum width, and achieves the emotion recognition by using Support Vector Machine (SVM). The study indicated that for one-to-one emotion recognition, the highest accuracy of the testing set was 92.8%, all higher than 80% except for excitement against fear. The highest accuracy increased by 41.9% compared with the permutation entropy, and 31.2% compared with the multi-fractal index. The classification effects of positive emotion and passive emotion were further analyzed, and the average accuracy of test set was 78.3%, respectively increased by 26.7% and 1.6% compared with the entropy and the multi-fractal feature. The method based on the combination of permutation entropy and multi-fractal index is proved to be an effective algorithm for emotion EEG feature extraction, with the capacity of sufficient obtaining the nonlinear trait and multi fractal feature information.

electroencephalogram (EEG) signal, permutation entropy (PE), multi-fractal indexes, support vector machine (SVM)

10.3772/j.issn.1002-0470.2016.07.001

①河北省自然科學(xué)基金(F2014203244)和中國(guó)博士后科學(xué)基金(2014M550582)資助項(xiàng)目。

②女，1970年生，博士，教授；研究方向：醫(yī)學(xué)信息處理；聯(lián)系人，E-mail: yddylixin@ysu.edu.cn (

2016-03-28)