基于稀疏低秩张量分解的情绪脑电多域特征提取与分类 |
| |
引用本文: | 黄金诚,高云园,佘青山,孟 明.基于稀疏低秩张量分解的情绪脑电多域特征提取与分类[J].传感技术学报,2022,35(4):495-503. |
| |
作者姓名: | 黄金诚 高云园 佘青山 孟 明 |
| |
作者单位: | 杭州电子科技大学圣光机联合学院,浙江 杭州 310018;杭州电子科技大学自动化学院,浙江 杭州 310018;浙江省脑机协同智能重点实验室,浙江 杭州 310018 |
| |
基金项目: | 国家自然科学基金(61971168, 61871427), 之江实验室(2021MC0AB04) |
| |
摘 要: | 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.
|
关 键 词: | 脑电信号 事件相关电位 张量分解 稀疏正则 |
|
| 点击此处可从《传感技术学报》浏览原始摘要信息 |
|
点击此处可从《传感技术学报》下载全文 |
|