本文是一篇计算机软件论文，针对基于神经网络的情绪识别方法存在样本数量不足和质量不高的问题，本文提出了一种基于改进迁移学习的情绪识别方法。为了提高 EEG 样本质量，计算待识别者和已识别者 EEG 样本之间的平均弗雷歇距离，筛选高质量 EEG 样本。
第一章绪论
1.1研究意义
情绪通常被认为是由人的主观需求和客观事物之间的关系所引起的生理、心理和行为上的功能性的反应，这些反应可以被感知也可以被测量[1]。情绪在人们的日常生活中具有十分重要的影响。随着人工智能技术的迅速发展，智能产品在生活中的应用越来越广泛，如果机器能够识别人的情绪并做出合适的反应，这将极大提高产品的智能化水平，使人工智能迈向情绪智能。因此，情绪识别研究对于提高我们的生活水平，促进人工智能领域的进步具有十分重要的意义[2]。
情绪识别是运用信号处理和分析方法对心理、生理或体征行为参数进行特征提取与分类识别，以确定情绪状态[3]。如何准确的识别情绪在现实应用中有着重要的意义。例如，在医学健康方面，医生根据情绪识别的结果，能够评估病人的精神状况，提供合理的建议，以改善病人的健康状况。在教育教学方面，老师根据情绪识别的结果，能够评估学生的学习状况，调整授课的方式，以提升老师的授课效果。在交通运输方面，航空公司根据情绪识别的结果，能够评估飞行员的心理状况，安排及时的干预，以降低事故的发生概率。
目前识别情绪的依据包括面部表情[4]、肢体语言[5]、语音语调[6]等非生理信号。由于这些非生理信号容易受到诸如文化差异、人为伪装等情况的影响，进而导致对情绪识别结果的严重偏差[7]。因此，研究者们开始使用外周生理信号，如肌电（Electromyogram，EMG）、心电（Electrocardiogram，ECG）、皮肤电（Galvanic Skin Response，GSR）、心率（Heart Rate，HR）、皮肤温度（Skin Temperature，ST）和呼吸（Respiration，RSP）等来进行情绪识别。虽然这些外周生理信号不容易被人的主观意识所控制，但是由于其差异性较小和时间分辨率较低等因素，不能满足实时、快速识别情绪的要求[8]。脑电信号（Electroencephalogram，EEG）难以伪装且客观性强，能够真实地反映人类内在的情绪状态，而且 EEG 时间分辨率高，能够满足实时、快速识别情绪的要求。所以越来越多的研究者使用 EEG 进行情绪识别。
1.2 EEG 概述
人的大脑是由数以万计的神经元组成，EEG 就是这些神经元的活动产生的电信号[11]。EEG通常由放置在大脑皮层上的电极来检测，是神经元的活动在大脑皮层或头皮表面的总体反映[12]。因为 EEG 是由人体自发产生的生理信号，所以 EEG 难以伪装且客观性强，能够真实地反映人类内在的情绪状态。而且 EEG 是毫秒级变化的信号，所以 EEG 时间分辨率高，能够满足实时、快速识别情绪的要求。因此，使用 EEG 识别参与者情绪状态的准确率更高，越来越多的研究者使用 EEG 进行情绪识别。
为了获得参与者的多通道 EEG，需要在参与者的头皮上安放更多的电极，每一个电极对应一个脑通道的位置。对于多通道 EEG 来说，通道之间必须遵循一定规律进行排列。根据国际脑电学会规定，EEG 的采集通常使用国际 10-20 系统确定电极安放位置[13]，国际 10-20 系统如图 1.1 所示。
第二章 国内外研究现状综述与分析
2.1情绪识别研究现状
在人工智能领域，情绪识别占有十分重要的地位。它是人工智能迈向情绪智能，使计算机具有表达能力的关键。目前国内外的情绪识别研究方法主要分为基于非生理信号和基于EEG。非生理信号主要包括面部表情、肢体语言、语音语调等。由于非生理信号容易受到诸如文化差异、人为伪装等情况的影响，进而导致对情绪识别结果的严重偏差。相比于非生理信号，EEG 不仅具有不易伪装、真实客观的优点。而且 EEG 还具有时间分辨率高的优点，能够满足实时、快速识别情绪的要求。因此，本文使用 EEG 进行情绪识别，所以对基于 EEG 的情绪识别研究进行综述和分析。
目前大部分研究者使用传统的情绪识别方法对 EEG 进行分类。他们首先使用人工特征提取算法提取 EEG 特征，然后使用不同的分类模型对 EEG 特征进行分类。Daimi 等人[14]提出了一种基于双树复小波包变换的 EEG 情绪识别方法。该方法首先使用双树复小波包变换提取EEG 特征，然后使用 SVM 对 EEG 特征分类。该方法中的双树复小波包变换克服了离散小波变换的缺点，能够提取有效的 EEG 特征，提高了情绪识别准确率。许丽[15]提出了一种基于改进奇异值分解的 EEG 情绪识别方法。该方法首先使用改进奇异值分解对 EEG 进行重构，然后利用希尔伯特变换提取有效的 EEG 特征，最后使用 SVM 对特征进行分类。该方法中的改进奇异值分解可以有效地去除脑电信号中的噪声，比传统的基于奇异值分解的情绪识别方法准确率高。Zheng 等人[16]提出了一种基于核主成分分析的 EEG 情绪识别方法。该方法首先提取了 EEG 的微分熵作为特征，然后使用核主成分分析的方法对 EEG 特征进行降维，最后使用 SVM 对特征进行分类。该方法中的核主成分分析对高维 EEG 特征进行降维，不仅能够使分类模型快速识别特征，而且提高了情绪识别准确率。Arvaneh 等人[17]提出了一种基于稀疏公共空间的 EEG 情绪识别方法。该方法首先对 EEG 进行带通滤波，并使用稀疏公共空间选择最优的 EEG 通道，然后使用空间滤波提取 EEG 的方差作为特征，最后使用 SVM 对特征进行分类。该方法中的稀疏公共空间有效地减少了通道的数量，不仅剔除了 EEG 的冗余信息，而且提高了情绪识别准确率。
2.2储备池计算研究现状
2001 年，Jaeger 提出了全新的递归神经网络设计，即回声状态网络（Echo State Networks，ESN）[31]，这种网络现在通常被统称为 RC。RC 模仿大脑中递归连接的神经元结构，其独特之处在于使用由随机稀疏连接的神经元组成的储备池作为隐层，用以对输入进行高维、非线性的表示。RC 只需使用线性方法训练储备池至输出层的权值，使网络的训练过程得以简化，并保证权值确定的全局最优性以及良好的泛化能力，避免了传统神经网络中存在的训练算法复杂、训练速度慢、梯度爆炸、易陷入局部最优等问题。
RC 在机器人控制、语音识别和疾病检测等领域得到了广泛的应用。Xu 等人[32]将 RC 应用于移动机器人控制，提高了机器人控制的准确率。Verstraeten 等人[33]将 RC 应用于语音识别，提高了语音识别的准确率。Jayakumari 等人[34]将 RC 应用于糖尿病和视网膜病变渗出检测，提高了疾病检测的准确率。Zhou 等人[35]将 RC 应用于网络流量预测，提高了网络流量预测的准确率。Ding 等人[36]将 RC 应用于网络入侵检测，提高了网络安全的程度。Yang 等人[37]将 RC 应用于高压线传输效率检测，提高了高压线传输的效率。
由于 RC 内部包含大量的具有短时记忆能力的递归神经元，在处理时序数据方面具有优势[38]。EEG 具有时序性，RC 可以利用 EEG 的时序性，因此已经有很多研究者将 RC 应用于基于 EEG 的情绪识别研究中。Bozhkov 等人[39]提出了一种基于内部可塑性（Intrinsic Plasticity，IP）和 RC 的 EEG 情绪识别方法。该方法利用 IP 训练 RC 内部的储备池神经元，然后通过迭代更新储备池状态进行特征提取，最后使用不同的分类模型对特征进行分类。Ren 等人[40]提出了一种基于大脑不对称指数和 RC 的 EEG 情绪识别方法。该方法利用 K-means 算法对各子带的小波包系数进行聚类，计算各子带小波包系数在聚类下的概率分布，然后利用 RC 对每个样本的概率分布值进行特征提取，最后使用 SVM 对特征进行分类。Dong 等人[41]提出了一种基于 RC 和生成对抗网络（Generative Adversarial Networks，GAN）的 EEG 情绪识别方法。该方法将 EEG 根据不同频带进行划分，并送入包含多个储备池结构的 RC 中提取 EEG 包含的时序特征，然后使用 CNN 提取 EEG 的局部特征，最后使用 GAN 对特征进行分类。因此，将 RC 应用到情绪识别，以提高情绪识别准确率，是可行的。
第三章 基于改进储备池计算的情绪识别方法 ......................... 11
3.1基于脑网络储备池计算的 EEG 特征提取 ............................12
3.2基于岭回归的 EEG 特征增强 ............................13
第四章 基于改进迁移学习的情绪识别方法 .............................24
4.1基于平均弗雷歇距离的 EEG 样本选择 .................................24
4.2基于迁移成分分析的 EEG 样本特征迁移 .............................27
第五章 总结与展望 .............................38
5.1总结 ..................................38
5.2展望 ...........................3
