劉 鵬，喬曉艷

(山西大學(xué) 物理電子工程學(xué)院，山西 太原 030006)

0 引 言

情緒無(wú)時(shí)無(wú)刻不在影響著人們的工作生活，如果能使計(jì)算機(jī)具有識(shí)別人類情感的功能，將會(huì)在醫(yī)療、 教育、 養(yǎng)老、 娛樂(lè)、 人機(jī)交互等多個(gè)領(lǐng)域產(chǎn)生巨大的促進(jìn)作用. 目前，自動(dòng)情緒識(shí)別的研究，包括離散和連續(xù)情感模型的生理和非生理信號(hào)情緒識(shí)別. 連續(xù)維度情感模型較離散情感模型而言，可以更加準(zhǔn)確地刻畫人的情緒狀態(tài)，貼合人的真實(shí)感受，成為了各國(guó)研究人員在情緒識(shí)別方面的追求目標(biāo). Koelstra等人[1]在DEAP數(shù)據(jù)集上提取腦電(EEG)信號(hào)δ，θ，α，β節(jié)律功率譜特征，使用樸素貝葉斯(NB)分類器在效價(jià)、 喚醒度上進(jìn)行分類，正確率最高分別達(dá)到57.6%和62.0%； Li等[2]在DEAP數(shù)據(jù)集上通過(guò)小波尺度變換將多導(dǎo)聯(lián)神經(jīng)生理信號(hào)封裝成網(wǎng)格狀幀，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)和遞歸神經(jīng)網(wǎng)絡(luò)提取任務(wù)相關(guān)特征，在效價(jià)和喚醒度兩個(gè)維度上進(jìn)行情緒識(shí)別，算法平均正確率分別為72.1%和74.1%； Liu等[3]在DEAP數(shù)據(jù)集上提取腦電信號(hào)特征，通過(guò)組合最大相關(guān)性最小冗余和主成分分析融合了高維特征，使用支持向量機(jī)(SVM)進(jìn)行分類，在效價(jià)和喚醒度上分類正確率分別為72.4%和76.1%. 闞威等[4]在DEAP數(shù)據(jù)集上將腦電信號(hào)劃分為多個(gè)時(shí)間段后分別提取其特征，采用長(zhǎng)短時(shí)記憶(LSTM)算法進(jìn)行維度情感分類，正確率分別為73.9%和73.5%； 晁浩等[5]先在DEAP數(shù)據(jù)集中提取腦電信號(hào)表征的情感初始特征，通過(guò)深度信念網(wǎng)絡(luò)(DBN)將初始特征進(jìn)行高層抽象表示，再利用受限制玻爾茲曼機(jī)實(shí)現(xiàn)情感分類，在效價(jià)和喚醒度二維情感維度上分別得到78.2%和77.1%的正確率.

目前，在腦電生理信號(hào)情緒識(shí)別中，基于維度情感模型的連續(xù)情緒識(shí)別正確率普遍不高，無(wú)法滿足實(shí)際應(yīng)用需要，而且分類過(guò)程中存在情感類別標(biāo)簽劃分不統(tǒng)一、 情緒生理特征個(gè)體差異較大、 提取的與情緒相關(guān)的生理信號(hào)特征不充分、 差異也不顯著[6]. 因此，本文針對(duì)這些問(wèn)題，在維度情感數(shù)據(jù)集上，對(duì)音樂(lè)視頻誘發(fā)下的情緒腦電信號(hào)進(jìn)行多角度特征提取、 歸一化腦電處理以及情感標(biāo)簽分析，在此基礎(chǔ)上設(shè)計(jì)棧式自編碼深度學(xué)習(xí)算法實(shí)現(xiàn)情緒的有效分類，獲得了較好的識(shí)別正確率，為實(shí)現(xiàn)生理信號(hào)情緒自動(dòng)分析和識(shí)別奠定堅(jiān)實(shí)基礎(chǔ).

1 維度情感模型

1.1 DEAP數(shù)據(jù)集

DEAP數(shù)據(jù)庫(kù)[1]是由Koelstra等研究人員開發(fā)的開源數(shù)據(jù)集，主要用于研究生理信息的情緒識(shí)別. 它記錄了32名被試觀看音樂(lè)視頻時(shí)的腦電數(shù)據(jù)和外圍生理數(shù)據(jù)，并對(duì)音樂(lè)視頻在維度空間進(jìn)行情感標(biāo)注. 每個(gè)被試者分別觀看40個(gè)精心挑選的時(shí)長(zhǎng)60 s的音樂(lè)視頻(MV)，每個(gè)視頻有對(duì)應(yīng)的維度情感標(biāo)簽. 同時(shí)利用生理測(cè)量?jī)x采集記錄被試者的生理數(shù)據(jù)，每次實(shí)驗(yàn)還記錄了3 s自然狀態(tài)下的生理數(shù)據(jù)，以及被試者根據(jù)效價(jià)、 喚醒度、 控制度、 相似度對(duì)每個(gè)視頻的評(píng)分. 此外，對(duì)于32名被試者中的22名，記錄了觀看音樂(lè)視頻時(shí)的面部表情. 實(shí)驗(yàn)以512 Hz的采樣率記錄腦電信號(hào)，并經(jīng)過(guò)預(yù)處理之后降采樣為128 Hz. DEAP數(shù)據(jù)集中每名被試者的數(shù)據(jù)內(nèi)容包含了40個(gè)音樂(lè)視頻誘發(fā)下的40通道生理數(shù)據(jù)和4個(gè)維度的情感標(biāo)簽數(shù)據(jù)，如表1 所示.

表1 DEAP數(shù)據(jù)集內(nèi)容

本文選取與情緒最相關(guān)的左右大腦半球?qū)ΨQ的8個(gè)導(dǎo)聯(lián)腦電數(shù)據(jù)進(jìn)行研究，對(duì)應(yīng)的導(dǎo)聯(lián)分別為fp1，fp2，f3，f4，p3，p4，o1，o2.

1.2 情感模型與標(biāo)簽選取

本文情緒標(biāo)簽生成基于數(shù)據(jù)集中測(cè)試者對(duì)MV的情緒評(píng)價(jià). 在生成情緒標(biāo)簽之前，涉及到如何對(duì)情緒進(jìn)行劃分的問(wèn)題以及采用何種情感模型的問(wèn)題. 在DEAP數(shù)據(jù)集中，被試者對(duì)MV的評(píng)價(jià)是從4個(gè)維度來(lái)量化情緒的，分別是效價(jià)、 喚醒度、 相似度和控制度. 效價(jià)和喚醒度是目前大多數(shù)研究采用的維度情感模型，效價(jià)代表個(gè)人的正負(fù)性情緒狀態(tài)，如高興和不高興. 喚醒度表示情感的強(qiáng)度，如平靜和興奮. 效價(jià)、 喚醒度的情感標(biāo)簽評(píng)分范圍均為1～9. 神經(jīng)生理學(xué)研究表明效價(jià)和喚醒度可以很好地刻畫人的不同情緒狀態(tài)，本文正是基于這兩個(gè)維度進(jìn)行情緒識(shí)別研究.

在情緒分類問(wèn)題中，對(duì)情感標(biāo)簽的劃分是實(shí)現(xiàn)情緒分類的前提，由于人不僅有正性與負(fù)性情緒，往往還會(huì)有介于兩者之間的情感狀態(tài)； 在情緒強(qiáng)烈程度上，除了強(qiáng)弱之外還會(huì)出現(xiàn)平靜狀態(tài)，因此情感識(shí)別要充分考慮到情緒的不同狀態(tài). 只有準(zhǔn)確標(biāo)定情緒狀態(tài)，在機(jī)器分類中才能更準(zhǔn)確地識(shí)別情緒. 為了探索這種模糊情緒狀態(tài)對(duì)識(shí)別結(jié)果的影響，本文對(duì)效價(jià)和喚醒度分別采用不同的情緒標(biāo)簽閾值進(jìn)行維度情緒狀態(tài)劃分. 第一類情況： 情緒標(biāo)簽分值大于7作為高效價(jià)高喚醒度，小于3作為低效價(jià)低喚醒度； 第二類情況： 情緒標(biāo)簽分值大于6作為高效價(jià)高喚醒度，小于4作為低效價(jià)低喚醒度. 通過(guò)選取不同標(biāo)簽閾值，分析情緒的模糊程度對(duì)識(shí)別結(jié)果的影響. 以上兩種不同閾值情況下，DEAP數(shù)據(jù)集對(duì)應(yīng)于效價(jià)和喚醒度情感標(biāo)簽的樣本數(shù)量也不同，如表2 所示.

表2 數(shù)據(jù)集效價(jià)和喚醒度樣本個(gè)數(shù)

2 腦電特征提取

腦電信號(hào)特征主要由時(shí)域特征、 頻域特征、 時(shí)頻特征及非線性特征構(gòu)成[7]. 由于情緒腦電信號(hào)的復(fù)雜性以及腦電個(gè)體差異性，對(duì)于每個(gè)被試者記錄時(shí)長(zhǎng)為63 s的腦電信號(hào)，對(duì)應(yīng)減去前3 s自然狀態(tài)的腦電數(shù)據(jù)，可獲得被試者情緒誘發(fā)的腦電信號(hào)，并可消除個(gè)體差異. 然后，提取情緒腦電信號(hào)時(shí)域、 頻域、 非線性特征并進(jìn)行歸一化處理，并進(jìn)行不同特征組合.

2.1 頻域特征提取

已有研究表明，腦電活動(dòng)的θ(4 Hz～8 Hz)，α(8 Hz～13 Hz)，β(13 Hz～30 Hz)和γ(30 Hz～45 Hz)節(jié)律與人的心理和情緒狀態(tài)具有密切關(guān)系. 因此提取腦電頻域特征時(shí)，先將信號(hào)映射到對(duì)應(yīng)頻段上，然后得到各個(gè)頻段上的特征量. 由于腦電信號(hào)是隨機(jī)信號(hào)，本文采用AR模型功率譜估計(jì)方法進(jìn)行頻域分析和特征提取. AR模型又稱自回歸滑動(dòng)平均模型，估計(jì)模型參數(shù)需要求解Y-W方程[8]. AR模型的系統(tǒng)函數(shù)

(1)

模型輸出功率譜

(2)

式中：ak是模型參數(shù)，P為階數(shù)，Burg算法可以快速實(shí)現(xiàn)模型參數(shù)估計(jì).

采用AR模型方法獲得EEG信號(hào)的功率譜，進(jìn)而計(jì)算腦電各個(gè)節(jié)律對(duì)應(yīng)的譜能量或功率，作為腦電θ，α，β和γ節(jié)律的頻域特征.

2.2 時(shí)頻特征提取

小波包變換是一種分析非平穩(wěn)過(guò)程的有效方法，提供了更為精細(xì)的信號(hào)分解，它將頻帶進(jìn)行多尺度劃分，對(duì)多分辨率分析沒(méi)有細(xì)分的高頻部分以二叉樹方式分解成等頻帶寬的子空間，并根據(jù)被分析信號(hào)的特征，自適應(yīng)地選擇相應(yīng)頻帶，使之與信號(hào)頻譜相匹配，從而提高時(shí)頻分辨率[9].

(3)

(4)

小波包節(jié)點(diǎn)能量可以有效表示信號(hào)能量，定義小波包節(jié)點(diǎn)能量

(5)

信號(hào)總能量可以表示為不同頻帶小波包節(jié)點(diǎn)能量之和，即

(6)

則小波包能量占比

(7)

它反映了腦電各個(gè)頻帶對(duì)應(yīng)的小波包能量分布情況.

本文采用db3小波對(duì)EEG信號(hào)進(jìn)行了3層小波包分解，重構(gòu)后提取了8個(gè)節(jié)點(diǎn)對(duì)應(yīng)的小波包系數(shù)均值、 標(biāo)準(zhǔn)差及小波包節(jié)點(diǎn)能量占比等時(shí)頻特征. 圖1 所示為小波包重構(gòu)后各節(jié)點(diǎn)的EEG信號(hào)波形.

圖1 小波包重構(gòu)后各節(jié)點(diǎn)的EEG波形Fig.1 EEG waveform of each node after waveletpacket reconstruction

2.3 非線性特征

樣本熵反映了時(shí)間序列的復(fù)雜度，能夠衡量時(shí)間序列中產(chǎn)生新模式概率的大小，樣本熵值越大，產(chǎn)生新模式的概率越大，序列越復(fù)雜. 不同情緒狀態(tài)下，對(duì)應(yīng)大腦皮層被激活的程度不同，腦電活動(dòng)的復(fù)雜性也不同. 因此，樣本熵特征可以反映情緒腦電的變化. 樣本熵

(8)

式中：N為時(shí)間序列的長(zhǎng)度；r為選定的相似容限值；m為模式維數(shù).Φm+1(r)迭代計(jì)算步驟如下[10]：

1) 對(duì)一個(gè)長(zhǎng)度為N的時(shí)間序列[x(1),x(2),…,x(N)]，按順序重構(gòu)m維相空間得到Y(jié)(i)=[x(i),x(i+1),…,x(i+m-1)]和Y(j)=[x(j),x(j+1),…,x(j+m-1)]，其中i,j=1,2,N-m+1；

2) 定義Y(i)與Y(j)之間的距離d[Y(i),Y(j)]為兩者對(duì)應(yīng)元素中差值最大的一個(gè)，即

d[Y(i),Y(j)]=

(9)

(10)

5) 設(shè)定嵌入維數(shù)m+1，重復(fù)步驟1)～4)，得到Φm+1(r)；

本文選取嵌入維數(shù)m為2，閾值距離為0.2倍的信號(hào)標(biāo)準(zhǔn)差.

小波包熵反映了隨機(jī)序列的不確定性，小波包熵值越大表明序列無(wú)序性越強(qiáng)[9]. 腦電信號(hào)的小波包熵與情緒狀態(tài)密切相關(guān)，在不同情緒誘發(fā)下，大腦神經(jīng)元抑制/興奮狀態(tài)發(fā)生變化，導(dǎo)致腦電序列的無(wú)序性隨之發(fā)生變化，故可提取腦電的小波包熵進(jìn)行情緒識(shí)別，小波包熵

WEP=-∑Plln[Pl],

(11)

式中：Pl為式(7)所提取的小波包能量占比.

綜上所述，本文提取情緒腦電信號(hào)頻域、 時(shí)頻域和非線性共30個(gè)特征，如表3 所示. 對(duì)這些特征進(jìn)行不同組合，構(gòu)成對(duì)應(yīng)特征向量，可以研究多特征融合對(duì)腦電情緒識(shí)別的影響.

表3 提取的情緒腦電特征

3 棧式自編碼的維度情緒識(shí)別

棧式自編碼神經(jīng)網(wǎng)絡(luò)算法是一種半監(jiān)督的深度學(xué)習(xí)算法. 它借鑒大腦神經(jīng)元興奮性機(jī)制，利用稀疏自編碼器對(duì)數(shù)據(jù)逐層預(yù)訓(xùn)練，獲得網(wǎng)絡(luò)初始權(quán)值和閾值，然后通過(guò)多層神經(jīng)網(wǎng)絡(luò)反向傳播調(diào)節(jié)優(yōu)化整個(gè)網(wǎng)絡(luò)權(quán)值. 稀疏性減少了實(shí)際計(jì)算量，自編碼優(yōu)化了初始權(quán)值，因此算法具有收斂速度快、 不易陷入局部極小的優(yōu)點(diǎn). 此外，深層的棧式自編碼算法還具有自動(dòng)訓(xùn)練優(yōu)化特征的優(yōu)點(diǎn). 棧式自編碼神經(jīng)網(wǎng)絡(luò)由稀疏自編碼器和softmax分類器構(gòu)成，結(jié)構(gòu)如圖2 所示.

稀疏自編碼器由輸入層、 隱層、 輸出層組成多層深度神經(jīng)網(wǎng)絡(luò)，采用逐層貪婪訓(xùn)練方法使自編碼器的輸出值無(wú)限趨近于輸入值[11]. 訓(xùn)練稀疏自編碼器的代價(jià)函數(shù)為

Jsparse(W,b)=‖hw(X)-X‖2+β∑|hj|,

(12)

式中：β控制稀疏性懲罰因子的權(quán)重； 第一項(xiàng)為輸出值與輸入值的二范數(shù)，使輸出結(jié)果與輸入逼近； 第二項(xiàng)為隱藏層神經(jīng)元激活輸出的一范數(shù)，作為稀疏自編碼器的稀疏性限制. 將訓(xùn)練好的稀疏自編碼器連接softmax回歸模型，通過(guò)反向傳播算法從Softmax輸出層到隱層逐層對(duì)代價(jià)函數(shù)求偏導(dǎo)，微調(diào)各層權(quán)值向量，對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行迭代優(yōu)化，分類器計(jì)算對(duì)應(yīng)標(biāo)簽的概率P(j|H(2))并輸出分類結(jié)果.

圖2 棧式自編碼算法結(jié)構(gòu)圖Fig.2 Structure diagram of stack auto-encoder algorithm

本文棧式自編碼神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)為腦電特征向量，輸出層節(jié)點(diǎn)數(shù)為2，即維度情緒狀態(tài). 通過(guò)仿真試驗(yàn)，選擇了兩個(gè)隱含層，第一隱層節(jié)點(diǎn)數(shù)為15，第二隱層節(jié)點(diǎn)數(shù)為7. 網(wǎng)絡(luò)訓(xùn)練樣本和測(cè)試樣本按照4∶1分成訓(xùn)練集和測(cè)試集. 圖3 為網(wǎng)絡(luò)訓(xùn)練的單次學(xué)習(xí)曲線(鋸齒狀)和平均學(xué)習(xí)曲線(線狀). 從中可以看出，網(wǎng)絡(luò)訓(xùn)練在開始迭代時(shí)震蕩較大，當(dāng)?shù)_(dá)到600次時(shí)誤差目標(biāo)函數(shù)下降到0.001，網(wǎng)絡(luò)參數(shù)訓(xùn)練達(dá)到最佳. 將訓(xùn)練好的棧式自編碼網(wǎng)絡(luò)利用測(cè)試集樣本進(jìn)行分類測(cè)試，可獲得情緒識(shí)別正確率

(13)

圖3 棧式自編碼算法學(xué)習(xí)曲線Fig.3 Learning curve of stack auto-encoder algorithm

此外，引入正類、 負(fù)類樣本的召回率RT,RN作為評(píng)價(jià)指標(biāo)，計(jì)算公式為

(14)

(15)

式中：TP，TN分別表示被正確分為正類或負(fù)類的樣本個(gè)數(shù)；FP，F(xiàn)N表示被錯(cuò)誤分為正類或負(fù)類的樣本個(gè)數(shù). 本文計(jì)算識(shí)別正確率時(shí)，將網(wǎng)絡(luò)輸出高效價(jià)、 高喚醒度的樣本記為正類樣本，輸出低效價(jià)、 低喚醒度的樣本記為負(fù)類樣本.

將本文提取的情緒腦電特征，應(yīng)用棧式自編碼算法進(jìn)行維度情緒識(shí)別，并與使用DEAP數(shù)據(jù)集的其它方法進(jìn)行對(duì)比，如表4 所示. 從表4 中可以看出，無(wú)論是效價(jià)情緒維度還是喚醒度情緒維度，本文采用的棧式自編碼算法對(duì)維度情緒識(shí)別的正確率均高于其他3種方法，表明了該算法應(yīng)用于腦電情緒識(shí)別的有效性.

表4 不同分類方法結(jié)果對(duì)比

4 結(jié)果與分析

本文主要從3個(gè)方面進(jìn)行仿真分析： ① 樣本數(shù)據(jù)均衡對(duì)情緒識(shí)別結(jié)果的影響; ② 腦電特征對(duì)情緒分類的影響; ③ 情感標(biāo)簽劃分對(duì)識(shí)別結(jié)果的影響.

4.1 樣本數(shù)據(jù)均衡對(duì)情緒識(shí)別的影響

由表2 中可以看出，無(wú)論是在效價(jià)還是喚醒度維度上，用于分類識(shí)別的數(shù)據(jù)樣本量相差較大. 為了探究這種數(shù)據(jù)不均衡對(duì)算法分類結(jié)果的影響，本文設(shè)計(jì)了兩種方式下的情緒分類，第一種方式是不對(duì)樣本數(shù)量進(jìn)行處理，將所有樣本數(shù)據(jù)按照4∶1 劃分為訓(xùn)練集和測(cè)試集進(jìn)行訓(xùn)練和測(cè)試； 第二種方式是對(duì)數(shù)據(jù)進(jìn)行均衡處理，即在每個(gè)情感維度上(效價(jià)、 喚醒度)選取的樣本數(shù)據(jù)基本平衡，即維度情緒標(biāo)簽數(shù)量相等. 具體做法是： 按照樣本數(shù)量少的那個(gè)，選取對(duì)應(yīng)維度的樣本數(shù)量，之后再按照 4∶1 劃分為訓(xùn)練集和測(cè)試集. 按照式(13)～式(15)計(jì)算正確率及兩類樣本召回率，仿真結(jié)果如表5 所示.

表5 數(shù)據(jù)均衡與數(shù)據(jù)未均衡識(shí)別結(jié)果對(duì)比

表5 結(jié)果顯示，數(shù)據(jù)樣本均衡或者不均衡，效價(jià)維度情緒的識(shí)別正確率相差不大，均在80%左右，喚醒度維度情緒識(shí)別正確率相差4.5%. 但是考察兩類樣本召回率時(shí)，可以發(fā)現(xiàn)數(shù)據(jù)不均衡時(shí)，低效價(jià)情緒召回率為92.2%，高效價(jià)召回率為60.3%，其結(jié)果相差很大，同樣，低喚醒度情緒召回率為84.5%，高喚醒度召回率為60.0%，這是由于數(shù)據(jù)樣本不平衡導(dǎo)致的. 數(shù)據(jù)均衡后，不同維度情緒狀態(tài)的識(shí)別正確率大體相同. 綜上可知，在腦電情緒識(shí)別中，有必要對(duì)樣本數(shù)量進(jìn)行均衡化處理，可以提高算法的穩(wěn)健性.

4.2 不同特征組合對(duì)分類結(jié)果的影響

本文從頻域、 時(shí)頻域和非線性多個(gè)維度提取了情緒腦電特征，為了驗(yàn)證特征的有效性并獲得最佳化的特征，選用不同腦電特征組合，經(jīng)過(guò)數(shù)據(jù)均衡化處理后，研究對(duì)分類正確率的影響，如表6 所示.

表6 不同特征組合結(jié)果對(duì)比

表6 結(jié)果顯示，在喚醒度及效價(jià)維度上，3種特征組合用來(lái)分類情緒的正確率相比頻域和時(shí)頻域特征組合平均高出6%左右，比時(shí)頻域和非線性特征組合平均高出3%左右. 由此可以得出結(jié)論： 選用頻域、 時(shí)頻域、 非線性3種特征組合可以更好地表征不同情感狀態(tài)，情緒識(shí)別正確率更高，因此盡可能提取情緒腦電多種特征，可以更充分挖掘腦電信號(hào)中蘊(yùn)含的情緒信息.

4.3 情感標(biāo)簽閾值對(duì)分類結(jié)果的影響

將效價(jià)和喚醒度兩個(gè)情緒維度上的數(shù)值按照不同閾值設(shè)定，劃分為兩大類. 第一類閾值設(shè)定效價(jià)值小于3為低效價(jià)，大于7為高效價(jià)； 第二類閾值設(shè)定效價(jià)值小于4為低效價(jià)，大于6為高效價(jià). 喚醒度也采取同樣方法設(shè)定情感標(biāo)簽閾值. 經(jīng)過(guò)數(shù)據(jù)均衡化處理，選用3種組合特征進(jìn)行情緒分類，分類正確率結(jié)果如表7 所示.

表7 不同情感標(biāo)簽閾值分類正確率對(duì)比

表7 結(jié)果顯示，無(wú)論是效價(jià)還是喚醒度，第一類閾值設(shè)定的情緒識(shí)別正確率均大于第二類閾值設(shè)定. 原因在于第一類閾值的情緒狀態(tài)，無(wú)論是喚醒度還是效價(jià)，情緒表現(xiàn)更加強(qiáng)烈和明確，因而更有利于機(jī)器識(shí)別； 第二類閾值的情緒狀態(tài)更加模糊化，因而較難以識(shí)別. 由此表明，在對(duì)情緒進(jìn)行維度標(biāo)簽時(shí)，閾值設(shè)定合適有助于提高情緒識(shí)別正確率.

5 結(jié)束語(yǔ)

本文基于DEAP數(shù)據(jù)集對(duì)EEG信號(hào)進(jìn)行了頻域、 時(shí)頻域和非線性特征提取，并利用棧式自編碼算法在效價(jià)及喚醒度兩個(gè)維度對(duì)情緒進(jìn)行分類識(shí)別. 與其他方法相比，取得了更高的識(shí)別正確率，表明棧式自編碼深度學(xué)習(xí)算法對(duì)EEG情緒識(shí)別的有效性. 仿真結(jié)果表明： 對(duì)數(shù)據(jù)進(jìn)行均衡化處理，算法更加穩(wěn)健； 多維特征進(jìn)行融合，情緒識(shí)別正確率更高； 情感標(biāo)簽的閾值設(shè)定對(duì)情緒識(shí)別結(jié)果會(huì)產(chǎn)生影響. 該研究可以應(yīng)用于醫(yī)療、 教育、 人機(jī)交互等領(lǐng)域的腦電情緒識(shí)別.