基于SAX的脑电信号情感识别符号表示方法

本文探讨了在情感识别领域中，如何通过改进脑电波（Electroencephalogram, EEG）信号的处理方法来提升性能。传统的脑电信号特征提取技术常常面临维度高和解释性不足的问题。作者提出了一种新颖的符号表示方法，旨在解决这些问题。 该研究的核心是Symbolic Aggregate approXimation (SAX)算法，这是一种将连续的EEG信号转换为离散符号串的技术。SAX算法通过将时间序列数据划分成多个小窗口，并对每个窗口内的信号进行采样和聚合，生成易于理解和分析的符号表示。这种方法有助于降低原始数据的复杂度，使得后续处理更加高效。 接着，作者应用了“词袋模型”（Bag of Words Model），这是一个常用的文本挖掘技术，将符号字符串视作文本序列，忽略它们的顺序信息，只关注每个符号出现的频率。这样做的目的是提取出符号串中的模式和模式组合，这些模式可以作为情绪分类的重要特征。 进一步，作者利用Latent Semantic Indexing (LSI)算法来深化特征提取。LSI是一种基于矩阵分解的降维技术，它能捕捉到词汇之间的潜在语义关联，这对于理解情绪相关的深层含义非常关键。通过对这些特征进行选择和优化，论文构建了一个支持向量机（Support Vector Machine, SVM）为基础的情感分类器，以此来进行情绪的识别。 这项工作提出了一种结合符号表示、词袋模型和LSI的创新方法，旨在提高EEG信号在情感识别任务中的表现，通过减少特征维度并增强可解释性，有望在人机交互（Human-Machine Interaction, HMI）领域中实现更准确和直观的情感感知。这种新的符号表示策略为未来脑电信号处理的研究提供了新的视角和可能性。