第4章 基于时序峰值的脑电编码模型CPC ........................... 24
4.1 CPC模型设计原理 ................................ 24
4.2 基于CPC模型的脑电编码 ................................. 24
4.3 实验结果及分析 .............................................. 27
第5章 基于PFP特征的脑电情感识别 ............................... 31
5.1 PFP特征构建 ............................... 31
5.2 实验结果及分析 ................................... 34
5.3 本章小结 .......................... 39
第5章 基于PFP特征的脑电情感识别
5.1 PFP特征构建
PFP特征的设计基于不同情感存在信号局部高频周期变化规律的差异性，并通过多个维度放大其差异性，实现细粒度的情感识别。因此，首先需要计算不同情感下脑电信号的高频周期序列集，即统计各情感下各波段、各通道分别高频出现的局部波动变化序列，以此作为规则集，用于构建PFP特征。其中规则集的构建，包括高频时序编码序列，以及与之存在高关联系数的组合序列。其次，通过滑动窗口技术实现信号的波动序列拼接，窗口大小设置为[1, Mx，其中Mx为该情感标签下规则集中最大长度；最后，对拼接序列集合，进行规则匹配，并根据匹配结果，构建5类PFP特征参数，包括：波动数量、波动强度、波动密度、波动重复率、波动周长率。其流程图如图5-1所示。
总结和展望
本课题通过构建情感模型实现细粒度的情感分析、通过脑电编码模型实现信号冗余信息过滤、以及通过特征工程构建脑电局部变化特点，有效解决脑电情感识别研究中存在的情感识别粒度粗、依赖多通道融合、低频波段识别受限等多个问题。同时，研究结果也验证相似情感在脑电中存在的信号重叠现象。对后续情感研究以及应用提供了普适性理论支撑以及技术支持。
细粒度情感计算模型FGAC，解决了情感识别粒度粗的问题，且具有动态更新的特点，具有较高程度的延展性。首先，在离散情感类别选择时，考虑到情感的复杂多样性，通过社交网络以及专业情绪心理学进行情感聚类分析，使挖掘的情感主题更具有普适性，且具有专业研究支撑。同时，采用心理学中问卷调研的方式，以及基于字典的语义分析，二者相辅相成，相互验证，更加客观的进行情感的空间映射设计。而最终得到的20类脑电情感类别，也突破该领域的细化程度，且具有高频普适性。
基于时序峰值的脑电编码模型CPC，解决了脑电信号信噪比低、不平稳、精度损失、单波段通道在情感识别中受限的问题。基于脑电振幅的高低区间进行的编码设计，在较高程度过滤了噪声数据，而基于时序峰值的识别技术尽可能保留了脑电信号中显著的周期变化特点，通过动态编码策略，可更大程度通过模式识别挖掘各波段、各通道下潜在的周期变化规律。同时，实验证明通过该编码方式，保留的时许峰值数据可较高程度验证相似情感下脑电信号的重叠现象，更进一步验证过滤的有效性以及显著特点的保留有效性。
参考文献（略）
