基于 HIED 数据集集成方法的新型混合特征提取技术在脑电情绪分类中的应用研究

在人机交互及人形机器人情感研究中，脑电（EEG）情绪分类至关重要。研究人员探究 5 种集成学习（EML）与传统机器学习（CML）算法，通过离散小波变换（DWT）分频段，结合经验模态分解（EMD）提取特征。结果显示 EML 算法表现更优，为情绪分类提供新方案。

　　

情绪在日常人际交往与挑战中扮演关键角色。人机交互研究（包括人形机器人）高度依赖情感识别，本研究提出一种基于脑电（EEG）信号的人类情绪分类新方法。机器学习（ML）技术在脑电情绪区分中已展现显著成效。
研究对比五种基于集成学习的机器学习算法（EML）与五种传统机器学习算法（CML），旨在通过生理特征实现七种主要情绪状态（压力、快乐、悲伤、愤怒、恐惧、厌恶、惊讶）的分类。首先利用离散小波变换（DWT）将脑电数据分为 θ、α、β、γ 频段，进一步结合经验模态分解（EMD）对分频段脑电信号进行本征模函数（IMF）分解，从 IMF 中提取 13 项统计特征。采用自适应提升、旋转随机森林、装袋、随机森林、极端梯度提升五种多分类 EML 算法构建机器学习系统，并通过 10 折交叉验证评估性能。以准确率、F1 分数和曲线下面积（AUC）为指标，将 EML 算法与五种 CML 技术的结果进行对比。
实验数据表明，所提出的基于脑电的情绪分析方法显著优于所有对比技术，取得了更优结果。