針對提高情感識別正確率這一國際開放問題，本文提出了一種基于小波包熵和自回歸模型相結合的腦電信號特征提取算法。自回歸過程能最大程度逼近腦電信號，用很少的自回歸參數提供豐富的譜信息。小波包熵反映腦電信號在各個頻帶中的譜能量分布情況。將二者結合，能夠更好地體現腦電信號的能量特征。本文基于核主成分分析方法，實現了腦電信號特征提取融合。課題組采用情感腦電國際標準數據集（DEAP），選取 6 類情感狀態以本文算法進行情感識別。結果顯示，本文算法情感識別正確率均在 90% 以上，最高情感識別正確率可達 99.33%。本文的研究結果表明，該算法能夠較好地提取腦電信號情感特征，是一種有效的情感特征提取算法。
引用本文： 李昕, 孫小棋, 王欣, 史春燕, 康健楠, 侯永捷. 基于自回歸小波包熵特征融合算法的情感識別研究. 生物醫學工程學雜志, 2017, 34(6): 831-836. doi: 10.7507/1001-5515.201610047 復制
引言
情緒作為一種普遍的生理心理現象，能夠影響人的感知和認知。人機交互則將情感識別、語音識別等作為媒介，傳遞交換人與計算機之間的信息，因此，有效的情感識別將有助于提高人機交互能力。情感識別廣泛應用于許多領域，如康復治療、駕駛員狀態評估等[1]。目前，情感識別研究主要集中在基于語音的情感識別、基于面部表情的情感識別以及基于人體生理參數的情感識別等幾個方面。人體腦電信號可以綜合反應情感狀態，是情感識別的有效手段。Petrantonakis 等[2]提取前額區腦電信號進行情感識別研究，采用混合濾波和高階交叉的方法，對高興、驚訝、氣憤、恐懼、厭惡、悲傷 6 種情緒類別進行情感分類，正確率達到 84.72%。Khosrowabadi 等[3]采用圖片作為刺激材料，誘發受試者得到 4 種情感，然后以基于自組織映射的方法對腦電信號特征樣本進行情感識別，取得了較好的結果。Hosseini 等[4]提取腦電信號的近似熵特征，利用支持向量機進行情感識別，正確率達到 73.25%。Yuen 等[5]提取腦電信號的 6 種時域統計特征，利用神經網絡識別憤怒、悲傷、驚奇、愉快等情緒，識別正確率最高可達 95%。
自回歸（auto-regressive，AR）模型是分析腦電信號的有效工具。Zhang 等[6]提取自回歸模型系數和樣本熵值作為腦電信號特征向量，利用支持向量機進行腦電信號數據分類，結果表明，自回歸模型可以有效地提高腦電信號的分類性能。Pham 等[7]利用功率譜密度和自回歸模型對情感腦電國際標準數據集（a database for emotion analysis using physiological signals，DEAP）進行情感識別，最高分類率為 77.38%。Hatamikia 等[8]以自回歸模型系數作為腦電信號特征向量，進行情感識別，最高情感識別率為 74.20%。
小波包熵能夠反應信號在各個頻率的能量分布情況。程波等[9]基于表面肌電信號，采用小波包熵進行情感識別，結果表明小波包熵對情感的喚醒度識別效果較好。He 等[10]利用小波包熵作為特征量，對演講語音情感進行識別，情感識別正確率為 74%～76%。Murugappan[11]提取小波熵等特征量用于識別 5 種情緒，62 通道時最高分類正確率為 82.87%，24 通道時最高分類正確率為 78.57%。Mohammadi 等[12]計算小波熵值作為分類器的輸入特征，基于喚醒度和效價的情感識別正確率最高達到 86.75%。楊鵬圓[13]提出了一種特征選擇方法，利用小波包變換提取腦電信號特征熵值進行愉悅度識別，得到平均識別準確率為 69.79%。
研究表明，小波包熵與自回歸模型兩種特征指標均能有效地提取腦電信號特征，但是，如何有效地結合這兩種特征參數，進而充分挖掘腦電信號的內在信息，目前相關研究還不多見。本文采用 DEAP 數據庫中 C4 通道（國際通用標準電極 10-20 系統）數據，對高興、難過、可怕、平靜、激動、憂郁 6 種情緒進行分析，結合小波包熵與自回歸模型，提取腦電信號情感特征，實現基于腦電信號的情感識別。
1 情感數據來源
情感腦電數據采用 Koelstra 等[14]提出的分析人類情感狀態的多通道數據集 DEAP（網址：http://www.eecs.qmul.ac.uk/mmv/datasets/deap/index.html）。該數據集試驗選用不同的音樂片段和視頻激發 32 名健康受試者（平均年齡 25.9 歲，男女各半）的情感，同時記錄受試者持續 1 min 的腦電信號和外圍生理信號。每名受試者的數據由試驗數據和標簽組成，每組數據包含 8 064 個數據點，記錄時長共 63 s（其中后 60 s 為試驗過程中有效數據，前 3 秒為試驗中用于去除基線漂移的數據）。本文用作分析的原始數據是從第 4 秒開始后的 60 s 數據段，并經降采樣、去偽跡以及 4～45 Hz 濾波處理，采樣頻率為 128 Hz。
近年來情感識別的相關研究多集中于額葉，分析也主要側重于感知情緒。然而，情緒在影響感知的同時，對認知也會造成一定的影響。研究表明，大腦中央區（C3 通道、C4 通道）的腦電信息最能體現大腦認知狀態[15-16]。由于左腦（C3 通道）與邏輯思維相關，右腦（C4 通道）與情感想象相關。因此，本文從認知的角度分析情感數據，選擇右腦 C4 通道的 6 種情緒：高興、難過、可怕、平靜、激動、憂郁進行情感識別。
2 方法
本文情感識別總流程如圖 1 所示。
圖1
算法流程圖
Figure1.
The algorithm flow chart
本文采用 DEAP 國際標準數據集，基于核主成分分析法，提取融合腦電信號的自回歸模型參數和小波包熵情感特征，利用支持向量機分類器實現情感識別。
2.1 自回歸模型
自回歸模型近似真實的腦電信號，可用較少的參數反映更多的譜信息。它是根據實際的腦電信號，選取合適的階次和參數，使得自回歸過程最大限度地逼近腦電信號。
對于時間序列{xt}，t = 1，2，
，N，其自回歸模型表達式如式（1）所示：
 |
自回歸模型的參數估計是指對
（t = 1，2，
，n）這 n 個參數的估計。本文通過最小化前向和后向預測錯誤的總和估計反射系數，un 表示{x1，x2，
，xN}之間的相關性，利用列文遜（Levinson-Durbin）遞推算法將反射系數轉換為自回歸模型系數，如式（2）所示：
 |
在每一個 n 水平上，計算反射系數如公式（3）所示：
 |
其中，mf，n-1 和 mb，n-1 是前向和后向預測錯誤模型的階數[17]。
本文基于列文遜遞歸算法選擇提取特征向量，確定自回歸模型的階數為 7，相應得到 7 組腦電信號特征向量。
2.2 小波包熵
小波包變換可以通過迭代分解得到所有系數，產生一個相等的頻率帶寬[18-19]。在小波包分解過程中會產生低頻和高頻兩個子帶，每個子帶的深度用 n 表示，則二尺度方程的遞推關系如公式（4）和（5）所示：
 |
 |
其中，flj 是低通濾波器系數，fhj 是高通濾波器系數。由此得到信號的小波包，如公式（6）所示：
 |
其中，子帶的數目用 k 表示，
是小波包分解所得系數。
在小波包能量中，可選取小波包分解各節點重構信號的平方和作為能量的標志。設 fi，j（t）表示第（i，j）節點的重構信號，i 表示小波包分解的層數，j 表示第 j 個頻段，則該節點對應的能量如公式（7）所示：
 |
式中，Ei，j（t）定義為小波包能量。
設一個離散隨機變量{X} = {x1，x2，
，xN}，出現的概率為 Pi = P（xi）（i=1，2，
，N），且
1，計算 X 的香農信息熵，如公式（8）所示：
 |
信號中各個變量的概率分布越均勻，信息熵越大，信息量越大；反之，概率分布越不均勻時，信息熵越小，包含的信息量也越小[20]。
通過公式（7）得到小波包能量值 E1，E2，
，En，則腦電信號的總能量為
。定義小波包熵，如公式（9）所示：
 |
其中，Pi = Ei/E 表示腦電信號在時間序列上小波包熵占總能量的比重。
從 DEAP 數據集中提取 6 種情感（高興、難過、可怕、平靜、激動、憂郁）下的 C4 通道腦電信號。根據采樣定理，確定可檢測信號頻帶為 0～64 Hz，因此，采用“db4”小波基函數對信號進行 4 層小波包分解。
2.3 核主成分分析
核主成分分析能夠更好地分析非線性數據，其基本思想是將核方法應用到主成分分析中[21-22]。設有 i 個樣本構成輸入數據矩陣 X = {x1，x2，x3，
，xi}，映射到高維空間后的數據維數為 r。首先，計算核矩陣，如公式（10）所示：
 |
對其進行中心化處理，得到新核矩陣如公式（11）所示：
 |
其中，
。
對 K 進行特征矢量分析，其特征值為 λ，特征向量為 A，如公式（12）所示：
 |
對第 r 個特征矢量先歸一化處理后再數據重建，如公式（13）所示：
 |
其中，i = 1，2，
，k。
最后，輸出非線性變換后的數據集 H = {h1，h2，
，hi}。
本文選用的核函數是高斯函數，其定義如公式（14）所示：
 |
3 結果及分析
將 7 組自回歸模型系數和 1 組小波包熵作為初始特征因子，經核主成分分析后的特征量作為支持向量機的輸入，基于 10 倍交叉驗證識別高興、難過、可怕、平靜、激動、憂郁 6 種情感，平均正確率如表 1 所示。
表1
情感識別結果
Table1.
Results of emotion recognition
針對高興、難過、可怕、平靜、激動、憂郁 6 種情感進行兩兩分類，即高興—可怕為第 1 組，高興—難過為第 2 組，高興—平靜為第 3 組，激動—高興為第 4 組，激動—可怕為第 5 組，激動—難過為第 6 組，激動—平靜為第 7 組，激動—憂郁為第 8 組，難過—可怕為 9 組，平靜—可怕為第 10 組，平靜—難過為第 11 組，憂郁—高興為第 12 組，憂郁—可怕為第 13 組，憂郁—難過為第 14 組，憂郁—平靜為第 15 組，如圖 2 所示。
圖2
自回歸模型與小波包熵結合分類正確率比較
Figure2.
Comparison of the classification accuracy of auto-regressive model and wavelet packet entropy
由表 1 可知，自回歸模型與小波包熵兩種分析方法均能有效識別情感數據，分類識別率在 70% 以上。基于自回歸模型識別情感時，難過—可怕情緒數據的識別效果最好，分類正確率為 90.00%，同時，該情緒也是自回歸模型與小波包熵相融合的特征提取方法識別效果最好之一，分類識別率可達到 99.33%。激動—可怕情緒識別時，自回歸模型的識別率為 74.00%，該結果為自回歸模型分析手段識別效果最差的一組，同自回歸模型與小波包熵相融合的特征提取方法相比，分類正確率下降 20%。
小波包熵算法在分析高興—平靜情緒時得到了較好的識別效果，識別率為所有情緒兩兩分類中識別率最高的一組，即 92.00%；對于自回歸模型算法而言，分類識別率為 82.67%；當二者結合時，識別率可達 97.33%。對于憂郁—平靜組，小波包熵的分類識別效果明顯降低，其正確率為 81.33%；自回歸模型與小波包熵相融合的特征提取方法在識別該情緒時，正確率可達到 92.67%，識別效果要高于小波包熵算法。
基于自回歸模型與小波包熵相融合的特征提取方法，情感識別正確率超過 90%。所有情緒的識別效果均高于單一類型特征量，平均分類識別率為 95.51%。其中，最好的分類結果為 99.33%（難過—可怕、平靜—難過），最低識別率為 90.67%（激動—難過）。
如圖 2 所示，采用自回歸模型系數對 6 種情感分類得到的平均正確率為 82.71%，小波包熵的平均正確率為 87.26%，二者結合的平均正確率為 95.51%。無論是自回歸模型系數單獨作為特征向量，還是小波包熵作為特征向量，所得情感識別率均明顯低于二者融合得到的分類正確率。
試驗結果與其他文獻進行比較，如表 2 所示。
表2
情感識別結果對比
Table2.
Comparison of emotional recognition results
如表 2 所示，Hatamikia 等[8]使用自回歸模型作為特征向量，實現情感識別正確率為 74.20%；楊鵬圓[13]選擇小波包熵算法分析情感腦電數據，所得分類正確率為 69.79%；本文基于自回歸模型與小波包熵相融合的方法，情感腦電信號平均識別率為 95.51%，可以更好地識別腦電信號情感變化。
4 結論
本文采用 DEAP 數據庫，提取 6 種情感的腦電信號，融合自回歸模型與小波包熵特征，并與單一類型特征量進行情感識別比較，最后比較識別效果。結果顯示：①單一類型的特征量分類識別率明顯低于二者融合的結果，自回歸模型與小波包熵相融合的算法情感識別分類正確率均在 90% 以上，平均分類正確率為 95.51%；②可以看出，6 種情感的分類正確率各不相同，說明 6 種情感之間的差異明顯程度不同。自回歸模型與小波包熵融合實現情感分類中，難過—可怕、平靜—難過情緒的分類效果最好，分類識別率均為 99.33%。
情感特征提取作為情感識別的重要環節，腦電信號以其客觀的表達受到越來越多研究者的重視。本文基于小波包熵和自回歸模型相融合的方法，體現了豐富的腦電信號情感特征，從而提高了情感識別正確率，是一種有效的腦電信號特征提取算法。這一結果將為與情緒因素相關的身心健康提供理論支持，進一步為評估干預焦慮癥、孤獨癥等人群提供輔助手段。
在此研究工作基礎上，后續工作將圍繞相關指定任務展開。比如說，音樂或視頻作為刺激材料，受試者僅是被動接受，更好的情緒表達應是一個互動的過程。今后的試驗數據獲取應側重于受試者參與其中，并采集任務后的腦電信號，將會更直接、顯著的呈現出情緒的差異變化。研究表明，人類大腦情緒與額葉、前額、顳葉、中央區的相關功能均有聯系。進一步分析不同任務與不同腦區間的敏感定位，將更加有助于情感識別及人機交互。
引言
情緒作為一種普遍的生理心理現象，能夠影響人的感知和認知。人機交互則將情感識別、語音識別等作為媒介，傳遞交換人與計算機之間的信息，因此，有效的情感識別將有助于提高人機交互能力。情感識別廣泛應用于許多領域，如康復治療、駕駛員狀態評估等[1]。目前，情感識別研究主要集中在基于語音的情感識別、基于面部表情的情感識別以及基于人體生理參數的情感識別等幾個方面。人體腦電信號可以綜合反應情感狀態，是情感識別的有效手段。Petrantonakis 等[2]提取前額區腦電信號進行情感識別研究，采用混合濾波和高階交叉的方法，對高興、驚訝、氣憤、恐懼、厭惡、悲傷 6 種情緒類別進行情感分類，正確率達到 84.72%。Khosrowabadi 等[3]采用圖片作為刺激材料，誘發受試者得到 4 種情感，然后以基于自組織映射的方法對腦電信號特征樣本進行情感識別，取得了較好的結果。Hosseini 等[4]提取腦電信號的近似熵特征，利用支持向量機進行情感識別，正確率達到 73.25%。Yuen 等[5]提取腦電信號的 6 種時域統計特征，利用神經網絡識別憤怒、悲傷、驚奇、愉快等情緒，識別正確率最高可達 95%。
自回歸（auto-regressive，AR）模型是分析腦電信號的有效工具。Zhang 等[6]提取自回歸模型系數和樣本熵值作為腦電信號特征向量，利用支持向量機進行腦電信號數據分類，結果表明，自回歸模型可以有效地提高腦電信號的分類性能。Pham 等[7]利用功率譜密度和自回歸模型對情感腦電國際標準數據集（a database for emotion analysis using physiological signals，DEAP）進行情感識別，最高分類率為 77.38%。Hatamikia 等[8]以自回歸模型系數作為腦電信號特征向量，進行情感識別，最高情感識別率為 74.20%。
小波包熵能夠反應信號在各個頻率的能量分布情況。程波等[9]基于表面肌電信號，采用小波包熵進行情感識別，結果表明小波包熵對情感的喚醒度識別效果較好。He 等[10]利用小波包熵作為特征量，對演講語音情感進行識別，情感識別正確率為 74%～76%。Murugappan[11]提取小波熵等特征量用于識別 5 種情緒，62 通道時最高分類正確率為 82.87%，24 通道時最高分類正確率為 78.57%。Mohammadi 等[12]計算小波熵值作為分類器的輸入特征，基于喚醒度和效價的情感識別正確率最高達到 86.75%。楊鵬圓[13]提出了一種特征選擇方法，利用小波包變換提取腦電信號特征熵值進行愉悅度識別，得到平均識別準確率為 69.79%。
研究表明，小波包熵與自回歸模型兩種特征指標均能有效地提取腦電信號特征，但是，如何有效地結合這兩種特征參數，進而充分挖掘腦電信號的內在信息，目前相關研究還不多見。本文采用 DEAP 數據庫中 C4 通道（國際通用標準電極 10-20 系統）數據，對高興、難過、可怕、平靜、激動、憂郁 6 種情緒進行分析，結合小波包熵與自回歸模型，提取腦電信號情感特征，實現基于腦電信號的情感識別。
1 情感數據來源
情感腦電數據采用 Koelstra 等[14]提出的分析人類情感狀態的多通道數據集 DEAP（網址：http://www.eecs.qmul.ac.uk/mmv/datasets/deap/index.html）。該數據集試驗選用不同的音樂片段和視頻激發 32 名健康受試者（平均年齡 25.9 歲，男女各半）的情感，同時記錄受試者持續 1 min 的腦電信號和外圍生理信號。每名受試者的數據由試驗數據和標簽組成，每組數據包含 8 064 個數據點，記錄時長共 63 s（其中后 60 s 為試驗過程中有效數據，前 3 秒為試驗中用于去除基線漂移的數據）。本文用作分析的原始數據是從第 4 秒開始后的 60 s 數據段，并經降采樣、去偽跡以及 4～45 Hz 濾波處理，采樣頻率為 128 Hz。
近年來情感識別的相關研究多集中于額葉，分析也主要側重于感知情緒。然而，情緒在影響感知的同時，對認知也會造成一定的影響。研究表明，大腦中央區（C3 通道、C4 通道）的腦電信息最能體現大腦認知狀態[15-16]。由于左腦（C3 通道）與邏輯思維相關，右腦（C4 通道）與情感想象相關。因此，本文從認知的角度分析情感數據，選擇右腦 C4 通道的 6 種情緒：高興、難過、可怕、平靜、激動、憂郁進行情感識別。
2 方法
本文情感識別總流程如圖 1 所示。
圖1
算法流程圖
Figure1.
The algorithm flow chart
本文采用 DEAP 國際標準數據集，基于核主成分分析法，提取融合腦電信號的自回歸模型參數和小波包熵情感特征，利用支持向量機分類器實現情感識別。
2.1 自回歸模型
自回歸模型近似真實的腦電信號，可用較少的參數反映更多的譜信息。它是根據實際的腦電信號，選取合適的階次和參數，使得自回歸過程最大限度地逼近腦電信號。
對于時間序列{xt}，t = 1，2，
，N，其自回歸模型表達式如式（1）所示：
|
自回歸模型的參數估計是指對
（t = 1，2，
，n）這 n 個參數的估計。本文通過最小化前向和后向預測錯誤的總和估計反射系數，un 表示{x1，x2，
，xN}之間的相關性，利用列文遜（Levinson-Durbin）遞推算法將反射系數轉換為自回歸模型系數，如式（2）所示：
|
在每一個 n 水平上，計算反射系數如公式（3）所示：
|
其中，mf，n-1 和 mb，n-1 是前向和后向預測錯誤模型的階數[17]。
本文基于列文遜遞歸算法選擇提取特征向量，確定自回歸模型的階數為 7，相應得到 7 組腦電信號特征向量。
2.2 小波包熵
小波包變換可以通過迭代分解得到所有系數，產生一個相等的頻率帶寬[18-19]。在小波包分解過程中會產生低頻和高頻兩個子帶，每個子帶的深度用 n 表示，則二尺度方程的遞推關系如公式（4）和（5）所示：
|
|
其中，flj 是低通濾波器系數，fhj 是高通濾波器系數。由此得到信號的小波包，如公式（6）所示：
|
其中，子帶的數目用 k 表示，
是小波包分解所得系數。
在小波包能量中，可選取小波包分解各節點重構信號的平方和作為能量的標志。設 fi，j（t）表示第（i，j）節點的重構信號，i 表示小波包分解的層數，j 表示第 j 個頻段，則該節點對應的能量如公式（7）所示：
|
式中，Ei，j（t）定義為小波包能量。
設一個離散隨機變量{X} = {x1，x2，
，xN}，出現的概率為 Pi = P（xi）（i=1，2，
，N），且
1，計算 X 的香農信息熵，如公式（8）所示：
|
信號中各個變量的概率分布越均勻，信息熵越大，信息量越大；反之，概率分布越不均勻時，信息熵越小，包含的信息量也越小[20]。
通過公式（7）得到小波包能量值 E1，E2，
，En，則腦電信號的總能量為
。定義小波包熵，如公式（9）所示：
|
其中，Pi = Ei/E 表示腦電信號在時間序列上小波包熵占總能量的比重。
從 DEAP 數據集中提取 6 種情感（高興、難過、可怕、平靜、激動、憂郁）下的 C4 通道腦電信號。根據采樣定理，確定可檢測信號頻帶為 0～64 Hz，因此，采用“db4”小波基函數對信號進行 4 層小波包分解。
2.3 核主成分分析
核主成分分析能夠更好地分析非線性數據，其基本思想是將核方法應用到主成分分析中[21-22]。設有 i 個樣本構成輸入數據矩陣 X = {x1，x2，x3，
，xi}，映射到高維空間后的數據維數為 r。首先，計算核矩陣，如公式（10）所示：
|
對其進行中心化處理，得到新核矩陣如公式（11）所示：
|
其中，
。
對 K 進行特征矢量分析，其特征值為 λ，特征向量為 A，如公式（12）所示：
|
對第 r 個特征矢量先歸一化處理后再數據重建，如公式（13）所示：
|
其中，i = 1，2，
，k。
最后，輸出非線性變換后的數據集 H = {h1，h2，
，hi}。
本文選用的核函數是高斯函數，其定義如公式（14）所示：
|
3 結果及分析
將 7 組自回歸模型系數和 1 組小波包熵作為初始特征因子，經核主成分分析后的特征量作為支持向量機的輸入，基于 10 倍交叉驗證識別高興、難過、可怕、平靜、激動、憂郁 6 種情感，平均正確率如表 1 所示。
表1
情感識別結果
Table1.
Results of emotion recognition
針對高興、難過、可怕、平靜、激動、憂郁 6 種情感進行兩兩分類，即高興—可怕為第 1 組，高興—難過為第 2 組，高興—平靜為第 3 組，激動—高興為第 4 組，激動—可怕為第 5 組，激動—難過為第 6 組，激動—平靜為第 7 組，激動—憂郁為第 8 組，難過—可怕為 9 組，平靜—可怕為第 10 組，平靜—難過為第 11 組，憂郁—高興為第 12 組，憂郁—可怕為第 13 組，憂郁—難過為第 14 組，憂郁—平靜為第 15 組，如圖 2 所示。
圖2
自回歸模型與小波包熵結合分類正確率比較
Figure2.
Comparison of the classification accuracy of auto-regressive model and wavelet packet entropy
由表 1 可知，自回歸模型與小波包熵兩種分析方法均能有效識別情感數據，分類識別率在 70% 以上。基于自回歸模型識別情感時，難過—可怕情緒數據的識別效果最好，分類正確率為 90.00%，同時，該情緒也是自回歸模型與小波包熵相融合的特征提取方法識別效果最好之一，分類識別率可達到 99.33%。激動—可怕情緒識別時，自回歸模型的識別率為 74.00%，該結果為自回歸模型分析手段識別效果最差的一組，同自回歸模型與小波包熵相融合的特征提取方法相比，分類正確率下降 20%。
小波包熵算法在分析高興—平靜情緒時得到了較好的識別效果，識別率為所有情緒兩兩分類中識別率最高的一組，即 92.00%；對于自回歸模型算法而言，分類識別率為 82.67%；當二者結合時，識別率可達 97.33%。對于憂郁—平靜組，小波包熵的分類識別效果明顯降低，其正確率為 81.33%；自回歸模型與小波包熵相融合的特征提取方法在識別該情緒時，正確率可達到 92.67%，識別效果要高于小波包熵算法。
基于自回歸模型與小波包熵相融合的特征提取方法，情感識別正確率超過 90%。所有情緒的識別效果均高于單一類型特征量，平均分類識別率為 95.51%。其中，最好的分類結果為 99.33%（難過—可怕、平靜—難過），最低識別率為 90.67%（激動—難過）。
如圖 2 所示，采用自回歸模型系數對 6 種情感分類得到的平均正確率為 82.71%，小波包熵的平均正確率為 87.26%，二者結合的平均正確率為 95.51%。無論是自回歸模型系數單獨作為特征向量，還是小波包熵作為特征向量，所得情感識別率均明顯低于二者融合得到的分類正確率。
試驗結果與其他文獻進行比較，如表 2 所示。
表2
情感識別結果對比
Table2.
Comparison of emotional recognition results
如表 2 所示，Hatamikia 等[8]使用自回歸模型作為特征向量，實現情感識別正確率為 74.20%；楊鵬圓[13]選擇小波包熵算法分析情感腦電數據，所得分類正確率為 69.79%；本文基于自回歸模型與小波包熵相融合的方法，情感腦電信號平均識別率為 95.51%，可以更好地識別腦電信號情感變化。
4 結論
本文采用 DEAP 數據庫，提取 6 種情感的腦電信號，融合自回歸模型與小波包熵特征，并與單一類型特征量進行情感識別比較，最后比較識別效果。結果顯示：①單一類型的特征量分類識別率明顯低于二者融合的結果，自回歸模型與小波包熵相融合的算法情感識別分類正確率均在 90% 以上，平均分類正確率為 95.51%；②可以看出，6 種情感的分類正確率各不相同，說明 6 種情感之間的差異明顯程度不同。自回歸模型與小波包熵融合實現情感分類中，難過—可怕、平靜—難過情緒的分類效果最好，分類識別率均為 99.33%。
情感特征提取作為情感識別的重要環節，腦電信號以其客觀的表達受到越來越多研究者的重視。本文基于小波包熵和自回歸模型相融合的方法，體現了豐富的腦電信號情感特征，從而提高了情感識別正確率，是一種有效的腦電信號特征提取算法。這一結果將為與情緒因素相關的身心健康提供理論支持，進一步為評估干預焦慮癥、孤獨癥等人群提供輔助手段。
在此研究工作基礎上，后續工作將圍繞相關指定任務展開。比如說，音樂或視頻作為刺激材料，受試者僅是被動接受，更好的情緒表達應是一個互動的過程。今后的試驗數據獲取應側重于受試者參與其中，并采集任務后的腦電信號，將會更直接、顯著的呈現出情緒的差異變化。研究表明，人類大腦情緒與額葉、前額、顳葉、中央區的相關功能均有聯系。進一步分析不同任務與不同腦區間的敏感定位，將更加有助于情感識別及人機交互。
