基于脑电网络图特征的情绪识别研究

针对情绪脑电信号提出一种网络图特征学习与情绪识别算法。首先，利用情绪脑电数据构建对应的情绪脑电网络；其次，在由情绪脑电网络尺度定义的高维空间构建脑电网络样本间的局部邻接关系图以挖掘样本集的分布特性，进而得到样本集的图拉普拉斯矩阵；在此基础上，进一步利用谱图理论对情绪脑电网络的最优低维空间映射进行求解，在保留原始样本局部邻接关系的前提下实现对情绪脑电网络的降维与重新表达，并将每个情绪脑电网络样本表示成1组脑电网络特征集；最后利用提取到的情绪脑电网络特征集，结合支持向量机分类学习算法，针对情绪识别任务进行识别模型的训练和学习，实现对情绪状态的准确解码与识别。在国际公开情绪脑电数据集的实验结果表明：相较于传统情绪识别算法，本文所提方法能有效提升情绪识别准确率，在基于公开数据集的多类情绪识别任务中分别达到91.85%（SEED数据集， 3类）、79.36%（MAHNOB-HCI数据集，3类）和79%（DEAP数据集，4类）的稳健识别效果。