小波变换与盲源分离结合用于EEG情感识别

简介：
EEG（脑电图）情感识别主要依据是脑电波数据通过分析手段对个体情绪状态进行识别。基于其与人体生理及心理活动的密切关联，在人机交互和情绪监测等多个领域均具备重要应用前景。相关技术的突破性进展推动了‘情感计算’这一方向在当前情绪研究领域中的重要地位。小波变换是一种时频域分析工具，在信号处理中能精准提取信号的时空局部位征。尤其在非平稳信号分析方面具有显著优势。对于EEG情感识别系统而言，该方法能够有效获取信号的时频特征信息，这些数据对后续的情感状态判别和分类工作构成了基础支撑。盲源分离（Blind Source Separation, BSS）是信号处理领域中的一个重要技术，在此框架下，旨在从未知的混杂信息流中提取出原始的信息源；BSS特别擅长于在脑电信号数据中分离出具有独特电生理活动特征的独立信号源。本研究通过融合小波变换方法和BSS算法框架，在提高EEG信号分离效果的同时实现了更高的准确率。维格纳分布（Wigner Distribution）作为一种分析信号时频特性的工具，在实际应用中存在交叉项噪声的困扰，这会降低信号源分离的效果。一种改进型重排平滑伪维格纳分布方法被提出，其核心在于解决交叉项噪声问题，从而显著提升信号分隔效果。本研究的核心思路在于首先运用Wavelet transform对EEG信号进行时频分析处理，并从中提取特征性脑电信号特性——β波。这些涉及的脑电信号特性与大脑认知活动有着密切关联，通常与人的情绪状态如紧张、激动等相联系。随后，通过重排光滑伪维格纳分布方法对获取到的β波信号实施Blind source separation技术，最终得以分离出具有强相关性的β波组成成分。研究发现，该方法成功提取了脑电信号中高度关联的成分，并有效缓解了信号源难以确定的问题，显著提升了其准确度。这些成果对于后续基于脑电信号的情感状态分析具有重要意义。$electroencephalogram（ EEG）$是一种代表脑电信号的技术，是研究大脑功能活动的关键手段；$wavelet transform$作为一种时频分析工具，在EEG信号处理中能够提取出具有特定时间和频率特征的数据；$blind source separation technique$作为信号处理领域的重要方法，在去噪和提升信号清晰度方面发挥着关键作用；一种改进的小波变换技术，即重排光滑伪维格纳分布，在提高信号处理效果方面展现出显著优势。文章中的作者为沈成业、张雪英、孙颖和畅江，皆出自太原理工大学信息工程学院。其中，沈成业的研究领域为情感语音的脑认知研究；张雪英则作为资深教授，其研究方向包括语音信号处理、音频水印以及煤矿安全预警等。本研究获得了国家自然科学基金,No.***,的资助。该项目承担了本论文的研究工作，并表明该研究获得了国家层面上的认可以及相应的财政支持。基于小波变换的盲源信号分离技术与脑电图（ EEG）情感识别构成了一个整合了先进数学分析方法与信号处理技术的跨学科研究领域。该研究方法在解决信号源估计问题和提升信号分离效果方面取得了显著成果，从而为脑电图（ EEG）情感状态分析提供了强有力的技术支撑与理论指导。