陈珊

摘要： 采用计算机进行情绪判断对实现人工智能、人机交互及智能计算等具有重要意义。本文在深入学习和研究脑电信号分析和处理的各种算法基础上，进行了对基于ELM的情绪分类模型研究。本文采用近似熵和小波能量熵算法生成三种不同的脑电信号特征，对ELM分类器进行训练，同时与BP算法、GRNN和PNN算法进行比较。实验表明，ELM极限学习机算法分类效果最好，其识别率达到87.25%。

Abstract： The use of computer for emotional judgment is of great significance to the realization of artificial intelligence， human-computer interaction and intelligent computing. Based on the in-depth study and research of the processing algorithms of the EEG signal analysis， this paper studies the sentiment classification model based on ELM. In this paper， approximate entropy and wavelet energy entropy algorithm are used to generate three different features of EEG signals to train the ELM classifier. At the same time， it is compared with BP algorithm， GRNN and PNN algorithm. Experiments show that ELM limit learning machine algorithm classification effect is the best， the recognition rate is 87.25%.

关键词： 脑电信号；情绪分类；ELM；近似熵；小波能量熵

Key words： EEG signal；sentiment classification；ELM；approximate entropy；wavelet energy entropy

中图分类号：TN911.7 文献标识码：A 文章编号：1006-4311（2017）04-0170-02

0 引言

情绪是人类的一种心理活动，影响着人类生活、工作及身心健康等各个方面。通过情绪判断模型研究不仅可以让人们更好的管理和控制自己的不良情绪，提高工作效率，还有利于身心健康。脑电信号是一种复杂的随时间变化的非稳定信号，使用传统的线性方法一般难以解决因脑电信号的非线性因素带来的复杂性问题。人工神经网络作为一种自适应模式分类方法非常适合于分析复杂的非线性信号问题[1]，本文采用ELM来进行情绪分类。

1 特征提取算法

1.1 近似熵

近似熵是一种用于定量描述时间序列复杂性的非线性动力学参数，是对脑电信号的复杂性进行评价和分析的方法。在计算过程中不需对数据做过多的处理，并且所需要的数据数列不需太长便能得到可靠而稳定的近似熵，因此被广泛的用于分析复杂的脑电信号[2]。

1.2 小波能量熵

小波能量熵理论不仅具有小波時频局部化能力和快速算法分析等独特优势，还拥有信息熵对随机信号复杂程度的统计特性，因此，小波变换与信息熵的结合能更好的对脑电信号进行精确的分析[3]。……