24、基于脑电信号的情感分类与状态转换系统研究

基于脑电信号的情感分类与状态转换系统研究

1. 研究环境与流程

本研究在特定的计算平台上开展，应用环境为 Python（版本 3.0）和 JFLAP（版本 7.0），硬件环境包括 Windows10（64 位）操作系统、Intel Core(TM) i3 处理器、8GB RAM、2.26 GHz 时钟速度，以及配备 2GB 显存的 AMD Radeon 显卡。

研究流程如下：
1. 以固定时间间隔捕获信号。
2. 对捕获的原始脑电（EEG）信号应用快速傅里叶变换（FFT）去除噪声。
3. 经过滤波和平滑处理后，对与情感检测相关的有用通道样本进行分类。
4. 分类完成后，实施情感状态转换机。

2. 分类算法比较

比较了支持向量机（SVM）、K 近邻（KNN）和随机森林三种分类算法，选取相同参数进行评估。结果显示，SVM 的 F 分数最高，表现远超其他算法，具有最高的分类精度。具体数据如下表所示：
| 算法 | 精度（%） | 召回率（%） | F 分数（%） |
| ---- | ---- | ---- | ---- |
| SVM | 90 | 92 | 91 |
| 随机森林 | 78 | 71 | 74 |
| KNN | 71 | 70 | 70 |

同时，还比较了不同的 SVM 核函数，发现 3 次多项式核函数（$K(x_i, x_j) = (0.05x_i^Tx_j + r)^3$，正则化参数 $C = 100$）在数据集上的准确率达到 90%，表现最佳；而线性核函数准确率最低，仅为 62%。因此，选择 3 次多项式核函数用于情感分类工作