阅读文献：Real-time EEG-based emotion monitoring using stable features(2016)

阅读文献：Real-time EEG-based emotion monitoring using stable features(2016)

关键词：EEG · Emotion recognition · Fractal dimension (FD) · Stability · Intra-class correlation coefficient (ICC)

Section1：Introduction

分形维度特征的分类效果优于能量特征的分类效果。

本研究涉及四种情绪（plesant, happy, frightened, angry），五个被试，每人8*2次实验。

Section2：Related work

特征提取的方法：分形维度特征，能量特征，统计学特征，HOC特征（更高阶交叉特征），内部相关系数。

Section3：Experiment

实验设计：不同于常规数据库，少被试，多次实验。

24~28岁学生，每人每天2次实验，共计8天，16次实验，每次实验包括四个片段（四种情绪）。

14导联Emotiv采集，fs=128Hz。

激发方式使用IADS（国际情感数字化声音库），可以避免眼电对信号的干扰。

每一段音频76s，包含16s静音和60s音频。

实验流程

Section4：Method

情绪分类算法

信号预处理：zero-mean，2Hz~42Hz带通滤波器，去除音频的前5s和后6s，使用从第22s~70s的数据作为处理部分。只选用了14个通道中的5个通道选择分数最高的通道：FC5,F4,F7,AF3,T7。所有的特征使用512点窗宽，75%overlap。对于能量特征，进行对数处理。

对于同一被试同一通道同一种情绪的特征，计算ICC，以检测这个特征的稳定性。

对于不同天次的分类，训练集使用Session1，测试集使用Session2~16，使用SVM进行分类。

对于同一次测试，使用5折交叉检验。

Section5：Result and discussion

1.ICC结果：2nd~6th统计学特征的稳定性最高，然后是1stFD和HOC。

ICC结果

2.不同Session测试结果：FC1只用FD、6个统计学特征、HOC，FC2用了FD、2nd~6th统计学特征、1stHOC、能量特征。结果表明FC2分类效果优于FC1.

不同Session测试结果

3.同一Session测试结果：

同一Session测试结果

4.单种情绪分类结果：

单种情绪比较结果

Section6：Applications for emotion monitoring

Section7：Conclusion