【文献阅读】5-An EEG-Based Brain Computer Interface for Emotion Recognition and Its Application in Patient

Iron_vik

已于 2023-06-18 00:28:40 修改

阅读量600

点赞数

分类专栏：文献阅读文章标签：人工智能 python 开发语言

于 2022-11-25 22:13:11 首次发布

本文链接：https://blog.csdn.net/Iron_vik/article/details/128006239

版权

文献阅读专栏收录该内容

6 篇文章

订阅专栏

基于EEG的脑机接口用于情感识别及其在意识障碍患者中的应用-2021

摘要

摘要

本文提出了一种基于EEG数据，检测残留意识以此来进行情绪识别的BCI系统，同时收集和处理EEG数据，并有实时的feedback，最后在DOC患者上测试，达到唤醒和识别情绪的目的。

关键词

Emotion recognition，EEG，brain-computer interface (BCI)，affective computing，disorder of consciousne

背景

DOC（disorder of consciousness）患者因脑损失或脑出血造成严重的运动障碍，通常不能提供足够的情绪表达等特点，主要分为coma，vegetative state(VS)，minimal conscious state(MCS)，EMCS。

1.为解决临床上针对DOC患者的behavioral scales(行为度量)治疗：外部刺激（external stimuli）进行观察行为反应(behavioral response)，造成了高误诊率（high misdiagnosis rates)。
2.目前，还没有一个针对临床上能够有效的识别DOC患者的情绪状态的方法。

创新点

目前还没有使用BCI方法在DOC病人进行情绪研究发现，于是，提出自己的基于BCI系统实时地来完成情绪的有效唤醒和准确识别。

方法

Online系统GUI–实验范式 + offline analysis
system
Hint + Start +Movie clip + Feedback + Resting

准备

【目标选取】:
10 健康学生( H1 - H10 ) from school --> evaluate performance of system
8 DOC患者( P1 - P8 ) from local hospital --> illustrate potential
【采集器材】：the SynAmps2 amplifier(Australia)–32 channel EEG cap + 国际10-20系统电极摆放，采样频率为250Hz
【刺激材料】：140 video clips for positive and negative from crosstalk show and Chinese movies — evoke（唤醒功能）
score - choose
a level (not at all；slightly；extremely) and a keywords(positive；negative)；
40 clips (extremely positive and negative)-20 positive clips and 20 negative clips；
Each clips - 30s；
```
 The stimulus materials：pictures，music，video
```
【情绪划分指标】：Positive and Negative
连续维度定义具有很大的差异性，而且评价量表的含义是主观的，再考虑到DOC患者在实验过程中做出情绪反应很困难，过多的情绪划分会给患者造成负担。
```
 情绪划分一般分为两种：一种是将它离散化或者多种结合，比如：anger，fear，disgust，happiness，sadness，surprise；还有一种是在连续维度定义，比如：valence，arousal，dominance。     
```

特征提取

预处理：移除50Hz的电力线噪声，再用带通滤波器对原始EEG数据进行过滤至0.1Hz到70Hz；
使用512-point 短时傅里叶变换（STFT）和1s的非重叠hamming 窗口，计算每个信道的频谱功率变化；
计算频段功率值：对delta (1– 3 Hz), theta (4– 7 Hz), alpha (8– 13 Hz), beta (14– 30 Hz), gamma (31– 50 Hz)每个频段的功率值进行平均来计算；
DE特征的获取等效于对数PSD特征，所以公式为：

x(m,fk)表示STFT后的原始信号的绝对振幅；
最后再进行DE特征的归一化送入SVM分类器。

情绪识别

使用SVM分类器，加上 LIBSVM 工具箱；
线性kernel作为kernel函数，其他参数default；
将positive clip 的特征向量标记为+1，negative clip的特征向量标记为-1，通过特征向量的分值
来判断情绪识别类型，再输出笑脸和哭脸。

实验

对10个健康学生进行实验离线数据分析，将准确率进行卡方检验；

fei为可能出现的类别，一共两类；foi为观测到的数字，自由度为1；
首先，进行病人10次校准运行(a calibration run)以训练SVM模型；
再进行在线实验，每个病人包括五个疗程，每个疗程包含10次试验（5次是积极情绪，5次是消极情绪）；
离线分类准确率通过重复10次的5-fold cross-validation 方案来提高分类精度的平均值；

对不同频段进行的非参数Friedman test，表明不同频段的分类准确率有显著影响。

表4和表6是分别对健康者和患者的Top20列表对比，说明了了theta频段在情感识别中的重要性；
最后再使用权重图来展示结果：
每个电极的分类权重是所有五个子带的权重的平均值。权重值是从SVM训练模型中提取的，并使用5-fold cross-validation 方案进行平均获取；

呈现：左前额区与 positive emotion 相关，右半球与 negative emotion 相关；
在theta和alpha波段，正面和侧面的时间区域对积极情绪比对消极情绪更活跃，而侧面的时间区域对积极情绪的beta和gamma波段比对消极情绪表现出更大的激活。

P1和P6类似，P4与健康者类似，P1和P6与健康者呈现相反的状态；
P1和P6：前额叶和顶叶区域在delta波段表现出明显较高的反应，而颞区域则表现出较高的theta反应。此外，前20个特征主要位于delta和theta波段；
P4：前20个特征和地形图的分布与健康受试者更相似；前额叶和顶叶区域对积极情绪表现出更强的theta和alpha反应；而外侧颞叶对积极情绪表现出高的beta 和 gamma反应；