Python實現(xiàn)對腦電數(shù)據(jù)情緒分析
引言
腦電波是一類由大腦中局部群體神經(jīng)元同步放電所形成的具有時空特征的腦電活動電波。德國醫(yī)生漢斯·伯格(Hans Berger)在1924年首次在人的頭骨上記錄到腦電波圖(electroencephalography,EEG)。心理學研究表明,人類的認知和感知可以通過腦電波來表達。當大腦的嗅覺、聽覺、視覺、味覺及觸覺神經(jīng)受到刺激時,其刺激反應(yīng)信號可以通過腦電波表達出來,從而揭示感官和人員之間的心理關(guān)聯(lián)性。其中大量研究展示了使用腦電信號連續(xù)確定個人舒適感的可行性,并且可以得到更加客觀的數(shù)據(jù)。近來則有研究表明觸覺刺激與腦電波的θ,α,β這三個頻段均存在關(guān)聯(lián)性。
傳統(tǒng)的情緒識別主要是基于面部特征、肢體動作和語音的研究,這些外在特征容易偽裝,并不能反應(yīng)出真實的情緒,腦電信號可以反映大腦在加工情緒時所伴隨的神經(jīng)電生理活動,能夠很好的彌補傳統(tǒng)研究方法的缺陷。
故本項目通過使用python語言搭建KNN機器學習算法實現(xiàn)對EEG腦電波數(shù)據(jù)的情緒分析分類。其最終實現(xiàn)的效果如下圖可見:
No.1 “基本介紹”
環(huán)境要求
本次環(huán)境使用的是python3.6.5+windows平臺。主要用的庫有:
csv模塊。CSV庫在這里用來讀取CSV數(shù)據(jù)集文件。其中CSV文件是逗號分隔值文件,是一種常用的文本格式,用以存儲表格數(shù)據(jù),包括數(shù)字或者字符。很多程序在處理數(shù)據(jù)時都會碰到csv這種格式的文件,它的使用是比較廣泛的。
scipy模塊。scipy作為高級科學計算庫:和numpy聯(lián)系很密切,scipy一般都是操控numpy數(shù)組來進行科學計算、統(tǒng)計分析,所以可以說是基于numpy之上了。scipy有很多子模塊可以應(yīng)對不同的應(yīng)用,例如插值運算,優(yōu)化算法等等。scipy則是在numpy的基礎(chǔ)上構(gòu)建的更為強大,應(yīng)用領(lǐng)域也更為廣泛的科學計算包。正是出于這個原因,scipy需要依賴numpy的支持進行安裝和運行。以Python為基礎(chǔ)的scipy的另一個好處是,它還提供了一種強大的編程語言,可用于開發(fā)復(fù)雜的程序和專門的應(yīng)用程序。使用scipy的科學應(yīng)用程序受益于世界各地的開發(fā)人員在軟件領(lǐng)域的許多小眾領(lǐng)域中開發(fā)的附加模塊。
pathlib模塊。該模塊提供了一些使用語義表達來表示文件系統(tǒng)路徑的類,這些類適合多種操作系統(tǒng)。
Pickle模塊。python的pickle模塊實現(xiàn)了基本的數(shù)據(jù)序列和反序列化。通過pickle模塊的序列化操作我們能夠?qū)⒊绦蛑羞\行的對象信息保存到文件中去,永久存儲;通過pickle模塊的反序列化操作,我們能夠從文件中創(chuàng)建上一次程序保存的對象。
以及其他常用模塊,如OpenCV等不一一介紹了。
KNN算法介紹
其中k近鄰算法(k Nearest Neighbor,kNN)是一種理論上比較成熟的智能算法,最初由Cover和Hart于1968年提出。kNN算法思路簡單直觀:對于給定的測試樣本,基于某種距離度量找出訓練集中與其最靠近的k個訓練樣本,然后基于這k個“鄰居”的信息來進行預(yù)測。
kNN方法可以實現(xiàn)分類任務(wù)和回歸任務(wù)。在分類任務(wù)中,一般使用“投****法”,即在k個“近鄰”樣本中出現(xiàn)最多的種類標記作為預(yù)測結(jié)果。在回歸任務(wù)中,一般使用“平均法”,即將這k個樣本的實值輸出標記的平均值作為預(yù)測結(jié)果。在定義了相似度評價準則后,還可以基于相似度的大小進行加權(quán)投****和加權(quán)平均。相似度越大的樣本權(quán)重越大。其中KNN算法分類流程如下圖:
No.2 “模型搭建”
數(shù)據(jù)集準備
首先我們使用官方提供的EEG數(shù)據(jù)集,放置data文件夾下:
數(shù)據(jù)特征提取
首先我們使用官方提供的EEG數(shù)據(jù)集,放置data文件夾下:
通過使用pickle實現(xiàn)對dat數(shù)據(jù)文件的讀取,獲取各個數(shù)據(jù)文件中特征向量,并在每個信道中進行fft。
其中輸入:維數(shù)為N × M的通道數(shù)據(jù),N為通道個數(shù),M為每個通道的腦電圖數(shù)據(jù)個數(shù)。
輸出:維度為N x M的FFT結(jié)果。N表示信道數(shù),M表示每個信道的FFT數(shù)據(jù)數(shù)。
關(guān)鍵代碼如下:
for file in os.listdir("../data"): fname = Path("../data/"+file) x = cPickle.load(open(fname, 'rb'), encoding="bytes") for i in range(40): num+=1 eeg_realtime = x[b'data'][i] label = x[b'labels'][i] if label[0] >6: val_v = 3 elif label[0] < 4: val_v = 1 else: val_v = 2 if label[1] > 6: val_a = 3 elif label[1] < 4: val_a = 1 else: val_a = 2 if i < 39: va_label.write(str(val_v) + ",") ar_label.write(str(val_a) + ",") if num==1280: va_label.write(str(val_v) ) ar_label.write(str(val_v) ) eeg_raw = np.reshape(eeg_realtime, (40, 8064)) eeg_raw = eeg_raw[:32, :] eeg_feature_arr = self.get_feature(eeg_raw) for f in range(160): if f == 159: fout_data.write(str(eeg_feature_arr[f])) else: fout_data.write(str(eeg_feature_arr[f]) + ",") fout_data.write("\n") print(file + " Video watched")
然后從計算fft得到所有通道的頻率。輸入:維數(shù)為N × M的通道數(shù)據(jù),N為通道個數(shù),M為每個通道的腦電圖數(shù)據(jù)個數(shù)。輸出:每個通道的頻帶:Delta, Theta, Alpha, Beta和Gamma。
# Length data channel L = len(all_channel_data[0]) # Sampling frequency Fs = 128 # Get fft data data_fft = self.do_fft(all_channel_data) # Compute frequencymotio frequency = map(lambda x: abs(x // L), data_fft) frequency = map(lambda x: x[: L // 2 + 1] * 2, frequency) f1, f2, f3, f4, f5 = itertools.tee(frequency, 5) # List frequency delta = np.array(list(map(lambda x: x[L * 1 // Fs - 1: L * 4 // Fs], f1))) theta = np.array(list(map(lambda x: x[L * 4 // Fs - 1: L * 8 // Fs], f2))) alpha = np.array(list(map(lambda x: x[L * 5 // Fs - 1: L * 13 // Fs], f3))) beta = np.array(list(map(lambda x: x[L * 13 // Fs - 1: L * 30 // Fs], f4))) gamma = np.array(list(map(lambda x: x[L * 30 // Fs - 1:L * 50 // Fs], f5)))
模型預(yù)測
從特征得到arousal值和valence值。其中Valence-Arousal分別代表情緒的正負向程度和激動程度,基于這兩個維度可以構(gòu)成一個情感平面空間,任何一個情感狀態(tài)可以通過具體的Valence-Arousal數(shù)值,映射到VA平面空間中具體的一個點。
輸入:來自所有頻帶和信道的特征(標準差和平均值),維度為1 × M(特征數(shù)量)。
輸出:由每一種arousal和valence產(chǎn)生的1至3級情緒。1表示低,2表示中性,3表示高。
self.train_arousal = self.train_arousal[40*(index-1):40*index] self.train_valence = self.train_valence[40*(index-1):40*index] self.class_arousal = np.array([self.class_arousal[0][40*(index-1):40*index]]) self.class_valence = np.array([self.class_valence [0][40*(index-1):40*index]]) distance_ar = list(map(lambda x: ss.distance.canberra(x, feature), self.train_arousal)) # Compute canberra with valence training data distance_va = list(map(lambda x: ss.distance.canberra(x, feature), self.train_valence)) # Compute 3 nearest index and distance value from arousal idx_nearest_ar = np.array(np.argsort(distance_ar)[:3]) val_nearest_ar = np.array(np.sort(distance_ar)[:3]) # Compute 3 nearest index and distance value from arousal idx_nearest_va = np.array(np.argsort(distance_va)[:3]) val_nearest_va = np.array(np.sort(distance_va)[:3]) # Compute comparation from first nearest and second nearest distance.、If comparation less or equal than 0.7, then take class from the first nearest distance. Else take frequently class. # Arousal comp_ar = val_nearest_ar[0] / val_nearest_ar[1]
然后從特征中獲取情感類。
輸入:來自所有頻段和信道的特征(標準偏差),尺寸為1 × M(特征數(shù)量)。
輸出:根據(jù)plex模型,情緒在1到5之間的類別。
class_ar, class_va = self.predict_emotion(feature,fname)
print(class_ar, class_va)
if class_ar == 2.0 or class_va == 2.0:
emotion_class = 5
if class_ar == 3.0 and class_va == 1.0:
emotion_class = 1
elif class_ar == 3.0 and class_va == 3.0:
emotion_class = 2
elif class_ar == 1.0 and class_va == 3.0:
emotion_class = 3
elif class_ar == 1.0 and class_va == 1.0:
emotion_class = 4
預(yù)測結(jié)果如下圖可見:
完整代碼
鏈接:
https://pan.baidu.com/s/1BX58sJv037eIJx9A8jWt3g
提取碼:rwpe
*博客內(nèi)容為網(wǎng)友個人發(fā)布,僅代表博主個人觀點,如有侵權(quán)請聯(lián)系工作人員刪除。