1.一种基于脑电信号和眼动信号的动态情绪识别方法,其特征在于,所述基于脑电信号和眼动信号的动态情绪识别方法包括:获取目标受试者的脑电信号数据及眼动信号数据;所述眼动信号数据包括瞳孔直径和注视时长;
采用时频特征提取技术对预处理后的脑电信号数据以及眼动信号数据,提取脑电特征和眼动特征,并根据所述脑电特征及所述眼动特征,采用回归模型确定所述目标受试者的动态情绪类别,具体包括:根据所述脑电信号数据的时间序列信息,确定所述脑电信号数据的微分熵特征;
对所述脑电信号数据进行傅里叶变换,将所述脑电信号数据从时域转换到频域后,提取所述脑电信号数据的功率谱密度特征;
根据所述瞳孔直径的时间序列信息,确定所述瞳孔直径的微分熵特征、所述瞳孔直径的均值特征及所述瞳孔直径的标准差特征;
根据所述注视时长的时间序列信息,确定所述注视时长的均值特征及所述注视时长的标准差特征;
对所述脑电信号数据的功率谱密度特征、所述脑电信号数据的微分熵特征、所述瞳孔直径的微分熵特征、所述瞳孔直径的均值特征、所述瞳孔直径的标准差特征、所述注视时长的均值特征及所述注视时长的标准差特征进行级联特征融合,得到融合特征向量;其中,级联特征融合的步骤具体为:将脑电特征直接附加到眼动特征的末尾,从而形成一个更长的特征向量;
对所述融合特征向量进行分类,得到所述目标受试者的动态情绪类别;
所述动态情绪类别包括平静开心、开心平静、悲伤平静、平静悲伤、紧张平静及平静紧张;所述回归模型为预先采用训练样本集进行训练得到的,所述训练样本集中的每个训练样本均包括脑电样本信号、眼动样本信号及对应的动态情绪标签;所述脑电特征包括脑电信号数据的微分熵特征及功率谱密度特征;所述眼动特征包括瞳孔直径的微分熵特征、瞳孔直径的均值特征、瞳孔直径的标准差特征、注视时长的均值特征及注视时长的标准差特征。
2.根据权利要求1所述的基于脑电信号和眼动信号的动态情绪识别方法,其特征在于,获取目标受试者的脑电信号数据及眼动信号数据,具体包括:基于设定的实验范式采集目标受试者的原始脑电信号和原始眼动信号;
对所述原始脑电信号进行滤波,得到滤波脑电信号;
对所述滤波脑电信号进行伪迹去除处理,得到脑电信号处理数据;
对所述脑电信号处理数据进行重采样,得到目标受试者的脑电信号数据;
对所述原始眼动信号进行滤波处理,并导出瞳孔直径和注视时长,得到目标受试者的眼动信号数据。
3.根据权利要求2所述的基于脑电信号和眼动信号的动态情绪识别方法,其特征在于,对所述原始脑电信号进行滤波,得到滤波脑电信号,具体包括:通过带通滤波器从所述原始脑电信号中过滤出所需频段的脑电信号,得到滤波脑电信号;其中,所需频段包括1Hz~3Hz频段、4Hz~7Hz频段、8Hz~13Hz频段、14Hz~30Hz频段及31Hz~50Hz频段。
4.根据权利要求1所述的基于脑电信号和眼动信号的动态情绪识别方法,其特征在于,所述脑电信号数据的微分熵特征的提取公式为:其中,
5.根据权利要求1所述的基于脑电信号和眼动信号的动态情绪识别方法,其特征在于,所述脑电信号数据的功率谱密度特征的提取公式为:其中,
6.根据权利要求1所述的基于脑电信号和眼动信号的动态情绪识别方法,其特征在于,在对所述脑电信号数据的功率谱密度特征、所述脑电信号数据的微分熵特征、所述瞳孔直径的微分熵特征、所述瞳孔直径的均值特征、所述瞳孔直径的标准差特征、所述注视时长的均值特征及所述注视时长的标准差特征进行级联特征融合之前,采用时频特征提取技术对预处理后的脑电信号数据以及眼动信号数据,提取脑电特征和眼动特征,并根据所述脑电特征及所述眼动特征,采用回归模型确定所述目标受试者的动态情绪类别还包括:对所述脑电信号数据的功率谱密度特征、所述脑电信号数据的微分熵特征、所述瞳孔直径的微分熵特征、所述瞳孔直径的均值特征、所述瞳孔直径的标准差特征、所述注视时长的均值特征及所述注视时长的标准差特征进行标准化处理。
7.根据权利要求1所述的基于脑电信号和眼动信号的动态情绪识别方法,其特征在于,所述回归模型包括径向基函数支持向量回归模型、线性支持向量回归模型、随机森林回归模型、决策树回归模型、K邻近回归模型、弹性网络回归模型、岭回归模型及最小绝对收缩和选择操作回归模型;
所述回归模型为根据实际需求从预先训练好的径向基函数支持向量回归模型、预先训练好的线性支持向量回归模型、预先训练好的随机森林回归模型、预先训练好的决策树回归模型、预先训练好的K邻近回归模型、预先训练好的弹性网络回归模型及预先训练好的最小绝对收缩和选择操作回归模型中选择的任一回归模型。
8.一种计算机系统,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的基于脑电信号和眼动信号的动态情绪识别方法。