论文部分内容阅读
情绪是综合了人的感觉、思想和行为的一种状态,在人与人的交流中发挥着重要作用。面孔表情作为人类表达情绪的重要方式,在情绪研究中具有重要意义。许多心理学家强调意识在情绪启动中的作用,认为情绪启动是可以被人类意识和感知到的。然而,从无意识的角度探讨情绪问题也是心理学研究的一个重要方向,研究证明阈下情绪面孔刺激能够引发情绪启动效应,证实了情绪的无意识加工。论文将阈下的无意识情绪加工和脑电信号(Electroencephalogram,EEG)的特征提取与分类方法结合起来,基于EEG信号对阈下情绪面孔进行分类,进一步证实阈下无意识的情绪加工与刺激材料的面孔正负性相关。论文的主要研究内容如下:(1)针对传统的EEG信号特征提取方法计算复杂,缺乏自适应性等缺点,论文提出基于多尺度样本熵(Multi-scale Sample Entropy,MSpEn)的脑电特征提取方法和基于小波包分解的脑电特征提取方法。基于多尺度样本熵的特征提取方法将多尺度分析与样本熵算法相结合,计算EEG信号的多尺度样本熵值,并对其进行KS检验,结果表明多尺度样本熵特征能够有效地区分阈下呈现的高兴和愤怒情绪面孔。基于小波包分解的脑电特征提取方法使用四层小波包分解EEG信号,并通过小波包分解系数来考虑特征,提取小波包熵(Wavelet packet entropy,WpEn)和小波包能量(Wavelet packet energy,E_i)两种特征,并将其应用于阈下情绪面孔识别的工作中,结果表明WpEn和E_i均能够对阈下高兴和愤怒情绪面孔进行有效地区分。(2)在心理学中,通常通过研究被试的事件相关电位(Event-Related Potential,ERP)来分析情绪启动发生时大脑神经机制,这种方法容易在ERP信号叠加过程中丢失信息,而本文基于EEG信号来研究阈下情绪启动问题。论文将分类器算法应用于无意识情绪的阈下情绪面孔分类中,提出了基于决策树的阈下情绪面孔分类方法,将特征向量输入决策树分类器,对阈下情绪面孔进行分类并评估分类性能。然后,论文又提出了一种改进的随机森林算法,在选择分裂属性时,通过引入皮尔森系数对信息增益率进行补偿,从而降低对取值较多特征的偏向性,同时提出加权投票方法,对强分类器和弱分类器进行加权投票。最后,将特征向量输入改进随机森林分类器,取得了较好的分类结果。实验结果表明,小波包能量特征和小波包熵特征更适用于阈下情绪面孔分类研究;从分类器的角度来看,本文所提的决策树和改进随机森林算法对阈下情绪面孔具有更强的分类能力。