基于稀疏低秩张量分解的情绪脑电多域特征提取与分类

基于脑电信号(Electroencephalogram, EEG)的情绪分析和识别研究一直是脑科学领域的热点, 本文利用复Morlet小波变换构建脑电张量, 结合其低秩、稀疏的特点, 提出一种EEG多域特征提取方法——稀疏正则的低秩逼近Tucker分解算法(Sparse Regulation for Low-rank approach Tucker decomposition, SLraTucker).该算法提取样本所特有的多域特征——核心张量和样本共有的因子矩阵, 对情绪脑电进行分类和分析, 克服了传统Tucker分解计算效率低, 易导致维度爆炸的缺陷. 实验结果表明, 在MODMA数据集中, 以核心张量作为多域特征进行EEG样本分类, 对不同的情绪刺激下, 抑郁症患者（MDD）的平均识别率为88.9%, 且运算效率较传统Tucker分解提高约16倍. 本文利用表征空间特征的因子矩阵对活跃脑区进行分析, 实现对脑区空间层面动态变化的对比，发现了MDD患者与正常对照组在效价与唤醒度的敏感度上的差异. 本文提出的SLraTucker分解算法能够有效提取EEG的多域特征, 为情绪脑电的分析与诊断提供了新的方法和思路.