基于DEAP和SEED-IV的EEG信号情绪检测：SVM算法性能分析

本文主要探讨了基于 EEG（Electroencephalogram，脑电图）的情感计算在情绪检测中的应用，特别是在 DEAP（Duke Eyetracking and Audio-Visual Cues Database）和 SEED-IV（Self-Organizing Map for Emotion Recognition Database）两个公开数据库的支持下。情感计算作为一个快速发展领域，对于推动情绪检测在实际场景中的应用具有重要意义。 首先，研究者对当前基于 EEG 的情绪检测技术进行了概述，强调了利用公共数据集的重要性。他们选择 DEAP 和 SEED-IV 数据库作为研究基础，这两个数据库提供了丰富的脑电图信号，可以用于理解人类内心情绪状态。 文章的核心内容是开发了一种有监督的学习方法，即使用支持向量机（SVM，Support Vector Machine）算法。SVM 是一种强大的分类器，尤其适用于高维数据，如 EEG 数据中的多通道信息。通过离散小波变换（Discrete Wavelet Transform，DWT），研究人员提取了五个关键频率带的信息，这些频段反映了大脑不同区域的活动，有助于揭示情绪状态的特征。 特征工程是研究的关键环节，包括计算功率、能量、微分熵等统计特性，以及在时域分析中获取的其他有价值信息。这些特征反映了脑电图信号在不同维度上的变化，有助于机器学习模型理解和区分不同的情绪类别。 具体实验结果显示，针对 DEAP 数据库的四类情绪（如快乐、悲伤、愤怒和恐惧）分类准确率分别为74%、86%、72%和84%，而在 SEED-IV 数据库上的分类表现也相当不错，达到了79%、76%、77%和74%。这表明所提出的 SVM 分类器和通道组合策略在实际情绪检测任务中具有一定的效能。 这篇毕业设计研究为基于 EEG 的情绪检测提供了一个实用且有效的方法，展示了将机器学习算法与 EEG 数据结合在情感计算中的潜力。它为后续的研究者提供了有价值的参考，并可能在诸如人机交互、健康监测和用户体验优化等领域引发进一步的探索。