基于时频域组合特征的脑电信号情感分类算法

摘要：

为了提高基于脑电信号(electroencephalogram,EEG)情感识别的准确率,提取了脑电信号的时域与频域特征,并且将其进行组合形成时频域组合特征,作为不同识别模型下的输入.采用集成决策树(bagging tree,BT)、贝叶斯线性分析(Bayes-ian linear discriminant analysis,BLDA)、线性判别分析(linear discriminant analysis,LDA)及支持向量机(support vector machine,SVM)四种浅层机器学习算法对EEG在效价与唤醒度上进行二分类情感识别.实验结果表明,DEAP数据集在效价上,基于时频域组合特征在BT分类器下的识别精度平均达到92.54％,在唤醒度维度上基于时频域组合特征在SVM下平均识别精度达到94.62％.

关键词：脑电信号、浅层机器学习算法、情感识别、时频域组合特征

所属期刊栏目：19

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金61806118, 61806144

在线出版日期：2019-12-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：290-295