基于改进萤火虫算法的脑电信号情绪识别方法研究.pdf

摘要

摘要

随着人工智能技术的迅猛发展，产生了多个交叉学科，隶属生物信息学交叉学科

的脑电信号情绪识别是促进人工智能技术发展的重要元素之一。目前，基于脑电信号

的情绪识别已经取得了较大进展，但由于特征选择易陷入局部最优造成识别率低的问

题依然未能得到很好解决。

FireflyalgorithmFA

用于智能寻优的萤火虫算法（，）由于其存在收敛速度慢和易

陷入局部最优的缺点，影响其寻找最优解的准确性。基于此，本文提出基于反向学习

OppositionbasedLearningOptimizationFireflyAlgorithmOLFA

的萤火虫（，）算法进

行脑电信号情绪相关特征的选择，主要研究内容如下：

（1）特征选择方面：提出OLFA算法对提取出的特征进行寻优。首先提取了包

含时域、频域、时频域和非线性特征的特征组，提取13个时域特征，提取5个频段

的功率谱密度、频带功率特征、小波能量特征和微分熵特征等；其次是基于反向学习

的策略，同时评估当前点和其反向点，择优确定初始化值，并得到每个萤火虫的反向

解，再根据适应度值排序得到新种群，以提高收敛速度；再次初始化新种群中每只萤

火虫的位置和光强，并计算其吸引力，当不满足最大迭代次数时评估每只萤火虫的适

应度，根据光强继续移动萤火虫；接下来当全局极值在一定的迭代次数内没有变化时，

使用其反向位置来代替最不利的拟合粒子，以增强其搜索能力和多样性，避免了种群

停滞进入局部最优和过早最优。最后输出最佳萤火虫种群位置与光强得到特征子集。

本文的实验结果表明：OLFA算法较于FA算法识别率最高提高了13.70%，达到

84.28%。

2Supportvectormachine,SVMKNNK-

（）分类器方面：研究支持向量机（）、（

NearestNeighborNaiveBayesclassifiers,NBRandom

）、朴素贝叶斯（）和随机森林（

Forest,RF）四种分类器在脑电情绪识别中的应用效果。本文将OLFA与FA算法分别

4

与上述种分类器组合实现脑电信号情绪识别并对比和分析二者结果。文中实验结果

表明随机森林OLFA-RF方法识别效果最佳，最高识别率为84.28%。最后通过ACC、

TPR、TNR、PPV、值和NPV指标评估和分析方法的优劣。文中实验结果表明在

F1

效价维度，OLFA-SVM、OLFA-KNN、OLFA-NB和OLFA-RF较FA-SVM、FA-KNN、

FA-NB和FA-RF方法在以上6个指标方面分别提高了8.67%、7.18%、11.13%、

8.45%、7.87%、9.19%；在唤醒度维度，OLFA-SVM、OLFA-KNN、OLFA-NB和

OLFA-RFFA-SVMFA-KNNFA-NBFA-RF6

较、、和方法在以上个指标方面分别提升

了8.38%、6.18%、13.47%、8.42%、7.42%、9.36%。

195113

文中共有图幅，表个，参考文献篇。

关键词：情绪识别；OLFA算法；特征选择；支持向量机；随机森林

论文类型：应用研究

I