基于卷積神經(jīng)網(wǎng)絡(luò)的EEG情緒分類研究

《基于卷積神經(jīng)網(wǎng)絡(luò)的EEG情緒分類研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、？學(xué)校代碼：１００５２｜學(xué)號(hào)：Ｓ１５１１８７＂ｉ－－．１紅普／ＭＸ＾ｐＩＮＺＵＵＮＩＶＥＲＳＩＴＹＯＦＣＨＩＮＡ碩士學(xué)位論文泉子未積神绖網(wǎng)終的ＥＥＧ椅緒分類研免姓名：張本禹指導(dǎo)教師：蔣惠萍？學(xué)院．信息工程學(xué)院專業(yè)：計(jì)算機(jī)科學(xué)與技術(shù)完成日期：２０１８．５．１９學(xué)位論文原創(chuàng)性聲明本人鄭重聲明，：所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行研究工作所取得的研究成果。除文中己經(jīng)注明引用的內(nèi)容外，本學(xué)位論文的研宄成果不包含任何他人創(chuàng)作的、己公開發(fā)

2、表或者沒有公開發(fā)表的作品的內(nèi)容。對(duì)本論文所涉及的研究工作做出貢獻(xiàn)的其他個(gè)人和集體，均己在文中以明確方式標(biāo)明。本學(xué)位論文原創(chuàng)性聲明的法律責(zé)任由本人承擔(dān)。學(xué)位論文作者簽字：２０ｆｔ年（月３曰／學(xué)位論文使用授權(quán)書根據(jù)相關(guān)規(guī)定，我校的博士、碩士學(xué)位獲得者均須向中央民族大學(xué)提交本人的學(xué)位論文紙質(zhì)本及相應(yīng)電子版。本人完全了解并同意中央民族大學(xué)擁有在《著作權(quán)法》規(guī)定范圍內(nèi)的學(xué)位論文使用權(quán)，１即：學(xué)位獲得者必須按規(guī)定提交學(xué)位論文（包括紙質(zhì)印刷本及電子版）；２為教學(xué)（）（）和科研目的，學(xué)?？梢詫⒐?/p>

3、開的學(xué)位論文作為資料在圖書館等場(chǎng)所提供校內(nèi)師生閱讀等３根據(jù)教育部有關(guān)規(guī)定，中央民族大學(xué)向教育部指定單位提交公開的學(xué)位論文服務(wù)；；（）（４）學(xué)位論文作者授權(quán)學(xué)校向中國(guó)學(xué)術(shù)期刊（光盤）電子出版社提交規(guī)定范圍的學(xué)位論文及其電子版并收入相應(yīng)學(xué)位論文數(shù)據(jù)庫(kù)，通過其相關(guān)網(wǎng)站對(duì)外進(jìn)行信息服務(wù)。同時(shí)本人保留在其他媒體發(fā)表論文的權(quán)利。本人承諾：本人的學(xué)位論文是在中央民族大學(xué)學(xué)習(xí)期間創(chuàng)作完成的作品，并己通過論文答辯紙質(zhì)本論文的內(nèi)容一致，；提交的學(xué)位論文電子版與如因不同造成不良后果由本人自負(fù)。本人同意遵守上述規(guī)定

4、。（保密的學(xué)位論文在解密后適用本授權(quán)書，本論文：□不保密，□保密期限至年月止）學(xué)位論文作者暨授權(quán)人簽字：２０Ｒ年６月卜曰Ｉ摘要人機(jī)交互是人工智能的一項(xiàng)重要內(nèi)容，近年來隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，人機(jī)交互的方式也不斷擴(kuò)充。腦機(jī)接口因其真實(shí)性高、可以滿足殘障人士的需求等因素受到了很多領(lǐng)域的廣泛關(guān)注。要想實(shí)現(xiàn)人機(jī)自然交互，必須賦予計(jì)算機(jī)識(shí)別人的情緒的能力，因而如何從腦機(jī)接口中識(shí)別出人的情緒顯得至關(guān)重要。近年來腦電（ＥＥＧ）的研宄己經(jīng)日趨成熟，許多方法己經(jīng)被應(yīng)一用到基于腦電的情緒識(shí)

5、別中，然而卷積神經(jīng)網(wǎng)絡(luò)作為門新興技術(shù)，在腦電的應(yīng)用上還比較少，本文探宄了卷積神經(jīng)網(wǎng)絡(luò)在腦電情緒識(shí)別上的若干應(yīng)用，本文的主要工作如下：，首先設(shè)計(jì)了情緒刺激材料，采集了積極和消極情緒的腦電樣本然后用了去除壞區(qū)、去除眼電偽跡、去除其它偽跡、數(shù)字濾波等方法對(duì)原始腦電進(jìn)。行了預(yù)處理，從而去除腦電中的噪聲接下來，本文選擇了五種模型對(duì)預(yù)處理后的腦電數(shù)據(jù)進(jìn)行分類，這５－ＳＶＭ－－－－－－種模型分別是ＷＴ、ＷＴＣＮＮ、ＣＳＰＶＡＲＳＶＭ、ＣＳＰＶＡＲＣＮＮ、ＣＳＰＣＮＮ。其ＷＴ－ＳＶＭ－中、ＷＴＣＮＮ模型運(yùn)

6、用小波變換提取腦電特征，然后分別運(yùn)用支持向ＣＳＰ－ＶＡＲ－ＳＶＭ－－、ＣＳＰＶＡＲＣＮＮ模量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類；型運(yùn)用共同空間模式進(jìn)行降維，然后選取標(biāo)準(zhǔn)化的方差作為特征，最后分別運(yùn)用支持向－ＣＮＮ模型運(yùn)用共同空間模式進(jìn)行降維量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，；ＣＳＰ。然后直接運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)降維后的腦電進(jìn)行特征提取和分類其中，本ＷＴ－ＳＶＭ模型進(jìn)文在采用行分類時(shí)，對(duì)小波變換后四種特征進(jìn)行了對(duì)比分析，ＣＳＰ－ＶＡＲ－ＳＶＭ。在采用模型進(jìn)行分類時(shí)，我們選取了合適的降維數(shù)量ＩＩ５用種分類模型對(duì)腦

7、電進(jìn)行分類后，我們對(duì)這些分類模型的分類效果進(jìn)：行了對(duì)比分析，發(fā)現(xiàn)１）在對(duì)情緒特征分類時(shí)，卷積神經(jīng)網(wǎng)絡(luò)的分類效果與基于高斯徑向基一些－ＣＮＮ核函數(shù)的支持向量機(jī)總體相近，比如ＷＴ模，但卷積神經(jīng)網(wǎng)絡(luò)略優(yōu)８６－－－型的平均分類準(zhǔn)確率為．９０％，相較ＷＴＳＶＭ模型提高了０．３９％，ＣＳＰＶＡＲＣＮＮ－－６９．８４％ＣＳＰＶＡＲＳＶＭ提高了０．７９％。模型的分類準(zhǔn)確率為，相較－－－２）０５？０＿模型的平均分類準(zhǔn)確率為８０．５６％０３？￥六１？５州，相較模型－〇＾０１１．７２％提升了．５１％，相較

8、０３？巧４１？模型提升了１，此結(jié)果說明了卷積神經(jīng)網(wǎng)絡(luò)可以直接用于對(duì)降維后的腦電數(shù)據(jù)進(jìn)行特征提取和分類，相較標(biāo)準(zhǔn)化的方差作為特征改進(jìn)明顯。－ＣＮＮ模型６３）在本文的５種分類模型中，分類效果最好的為ＷＴ，在個(gè)被試上的平均分類準(zhǔn)確率為８６．９０％。關(guān)鍵詞：腦電卷積神經(jīng)網(wǎng)絡(luò)小波變換；共同空