16、基于不同机器学习技术的情绪状态分类比较分析

基于不同机器学习技术的情绪状态分类比较分析

1. 引言

情绪在日常交流中扮演着非常重要的角色。以往，人们通过多种方式来识别情绪，包括情感词汇、文本、语调（即言语）、手势和面部表情等。然而，这些方式很容易因社交恐惧而被隐藏，对于面部瘫痪的人来说，面部表情识别情绪更是毫无用处。

如今，脑电图（EEG）技术因其更准确且个体几乎无法控制的特点，被研究人员用于情绪检测。EEG是通过在大脑头皮表面放置电极和相关设备来记录大脑电活动的技术。利用EEG信号进行情绪识别能产生更精确的情绪信息，可应用于医疗保健、网络学习、游戏、虚拟世界、营销、监控、法律、娱乐、网络世界、咨询和人类社交互动等多个领域。

人类大脑皮层是大脑最重要的部分，分为四个脑叶：额叶、颞叶、顶叶和枕叶。额叶调节着解决问题、判断、情绪表达和记忆等重要认知能力；颞叶主要负责有意识和长期记忆的创建与保存，对物体和语言识别至关重要；顶叶处理来自各种感官的信息，并能操纵物体；枕叶则负责颜色判断、物体识别、面部识别、运动感知和记忆信息等。

脑电波由同步电脉冲产生，其频率可分为慢、中、快三类，具体可分为α、β、δ、γ和θ五个波段。不同波段的频率和特点各不相同，例如α波频率在8 - 13 Hz之间，振幅较大，主要出现在左右半球的后部区域，在相对平静思考时较为明显；β波频率范围为13 - 30 Hz，主要在大脑额叶区域传输；δ波频率在1 - 4 Hz之间，振幅最大，在一岁婴儿中最为常见；γ波频率大于30 Hz，是快速脑电波，能同时从大脑不同部位收集和传输数据；θ波频率在4 - 7 Hz之间，速度最慢，当人逐渐脱离外界、专注于内在感觉时出现。

为了收集EEG信号，有一个标准的电极放置规则，即10/20国际系统。