(实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别

文档和源码见主页:https://download.csdn.net/download/qq_45874683/85070140

(源码和实验文档)自己设计的脑电情绪识别程序完整实验

目标

● 设计并进行实验,以产生情绪反应,并分析相应的生理信号

● 使用当前的机器学习技术,对能够通过EEG信号数据预测情绪状态(自我评估)的分类器进行建模和训练


实验设计

● 我们使用什么理论情感模型?

➢ 维度模型(价唤醒坐标系)

● 我们如何产生各种情绪反应?

➢ 三款不同的虚拟现实游戏

● 参与者如何自我评估自己的情绪状态?

➢ 测试模型


维度空间(价唤醒坐标系):

(实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第1张图片

三种VR游戏:

(实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第2张图片

 (实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第3张图片

 (实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第4张图片


实验设计:

● 介绍、签署同意书、问卷调查

● 脑电图准备,游戏的基本解释

● 对于每个游戏:

    ○ 几分钟来熟悉游戏控制

    ○ 游戏:大约3分钟(一首歌/一个关卡…)

    ○ 自我评估评分

➢ ~ 45分钟


环境要求:

pyparsing==2.3.1
PyQt5==5.11.3
PyQt5-sip==4.19.13
python-dateutil==2.7.5
pytz==2018.9
pyzmq==17.1.2
qtconsole==4.4.3
requests==2.21.0
resampy==0.2.1
retrying==1.3.3
scikit-learn==0.20.2
scipy==1.2.0
Send2Trash==1.5.0
six==1.12.0
sklearn==0.0
terminado==0.8.1
testpath==0.4.2
torch==1.0.0
tornado==5.1.1
traitlets==4.3.2
urllib3==1.24.1
wcwidth==0.1.7
webencodings==0.5.1
widgetsnbextension==3.4.2

数据分析:

● 20名参与者

● 年龄:20-35岁

     ○ (平均:25年)

● 几乎没有虚拟现实体验(几乎没有例外)

(实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第5张图片

Valence (mean, std): beat: 7.6 (+/- 1.2)    brook: 4.7 (+/- 1.9)    nat: 6.3 (+/- 1.8)

Arousal (mean, std):    beat: 7.3 (+/- 1.1)     brook: 7.9 (+/- 1.4)    nat: 2.7 (+/- 1.3)

(实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第6张图片

每次游戏的自我评估评分(标签):

positive excited :v>5, a>=5

negative excited : v<=5,a>=5

 calm :a<5

(实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第7张图片


 脑电图分析

● 9个通道

● 信号预处理

● 从时域到频域的转换

● 计算四种情况下的平均“功率谱密度”,频率范围(θ、α、β、γ)


 脑电信号时域分析:

(实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第8张图片

 (实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第9张图片

 


 脑电信号频域分析

(实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第10张图片

 PSD平均值(θ:2-8赫兹)(对具有相同标签的每条记录再次求平均值)

 (实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第11张图片

PSD平均值(阿尔法:8-13赫兹)(对具有相同标签的每条记录再次求平均值)

 (实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第12张图片

PSD平均值(β:13Hz)(对具有相同标签的每条记录再次求平均值)

(实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第13张图片

PSD平均值(伽马:30-…Hz)(对具有相同标签的每条记录再次求平均值)

(实验文档和源码)一次从数据采集到实验分析的完整脑电情绪识别_第14张图片

分类

● 通过5倍交叉验证进行评估

● 时域:根据试验数据训练3个深度卷积网络

➢ ~ 60%的准确率

● 频域:输入PSD,标准多层感知器

➢ ~ 准确率53%

展望与改进

● 分别对效价和觉醒进行分类

● 与其他生理传感器结合:心跳、皮肤电导等。

● 使用更多的脑电图通道,尤其是在前部区域(额叶脑电图不对称在其他论文中用作特征)

● 需要为“负面刺激”寻找更好的素材

● 更好的时间管理->更多参与者->更好的结果


文档和源码见主页:https://download.csdn.net/download/qq_45874683/85070140

(源码和实验文档)自己设计的脑电情绪识别程序完整实验

你可能感兴趣的:(脑电情绪识别,人工智能,深度学习)