小波变换+盲源分离：提升 EEG 情感识别的精度

本文研究的是"小波变换结合盲源分离的EEG情感识别"这一主题，针对脑电信号处理中的关键挑战，即脑电信号独立源数目不确定性和噪声干扰导致的信号串扰和源信号估计困难。小波变换作为一种时频分析工具，因其局部化特性，能够有效地捕捉信号的瞬时频率变化，从而在EEG信号分析中发挥重要作用。尤其是对于β波（约13-30Hz）的特征提取，小波变换被证明为一种有效的方法。 盲源分离（Blind Source Separation，BSS）是一种无监督的技术，用于从混合信号中分离出原始信号源。然而，维格纳分布在盲源分离过程中可能会出现交叉项干扰问题。作者提出了一种改进方法，通过将小波变换与重排光滑伪维格纳分布的盲源分离相结合，对β波信号进行处理，以减少这种干扰并提高信号的纯净度。 具体步骤包括：首先，对每一导的脑电信号进行小波变换，提取出特征波β波；然后，利用重排光滑伪维格纳分布的BSS算法，分离出那些高度相关的β波成分。这种方法的优点在于它能有效地分离出脑电信号中相关性高的成分，有助于提高情感识别的准确性。 实验结果显示，这种结合小波变换和改进的盲源分离策略在实际应用中表现出色，成功地解决了源信号估计难题，提高了识别精度。通过与传统方法比较，输出信号间的互相关系数显著降低，区分了有效脑电信号和伪迹，从而为进一步的情感分析提供了更高质量的数据。 这项研究为解决EEG情感识别中的信号复杂性问题提供了一种创新且有效的解决方案，为理解和利用脑电信号以支持情感计算和人机交互的研究打开了新的途径。