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(shí)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(xué)研究表明，人類的認(rèn)知和感知可以通過腦電波來表達(dá)。當(dāng)大腦的嗅覺、聽覺、視覺、味覺及觸覺神經(jīng)受到刺激時(shí)，其刺激反應(yīng)信號可以通過腦電波表達(dá)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(gè)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(gè)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(shí)的情緒，腦電信號可以反映大腦在加工情緒時(shí)所伴隨的神經(jīng)電生理活動，能夠很好的彌補(bǔ)傳統(tǒng)研究方法的缺陷。

故本項(xiàng)目通過使用python語言搭建KNN機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)對EEG腦電波數(shù)據(jù)的情緒分析分類。其最終實(shí)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(shí)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(xué)計(jì)算庫：和numpy聯(lián)系很密切，scipy一般都是操控numpy數(shù)組來進(jìn)行科學(xué)計(jì)算、統(tǒng)計(jì)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(yùn)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(qiáng)大，應(yīng)用領(lǐng)域也更為廣泛的科學(xué)計(jì)算包。正是出于這個(gè)原因，scipy需要依賴numpy的支持進(jìn)行安裝和運(yùn)行。以Python為基礎(chǔ)的scipy的另一個(gè)好處是，它還提供了一種強(qiáng)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(xué)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(dá)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(shí)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\(yùn)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(xùn)練集中與其最靠近的k個(gè)訓(xùn)練樣本，然后基于這k個(gè)“鄰居”的信息來進(jìn)行預(yù)測。

kNN方法可以實(shí)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(gè)“近鄰”樣本中出現(xiàn)最多的種類標(biāo)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(gè)樣本的實(shí)值輸出標(biāo)記的平均值作為預(yù)測結(jié)果。在定義了相似度評價(jià)準(zhǔn)則后，還可以基于相似度的大小進(jìn)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(zhǔn)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(shí)現(xiàn)對dat數(shù)據(jù)文件的讀取，獲取各個(gè)數(shù)據(jù)文件中特征向量，并在每個(gè)信道中進(jìn)行fft。

其中輸入:維數(shù)為N × M的通道數(shù)據(jù)，N為通道個(gè)數(shù)，M為每個(gè)通道的腦電圖數(shù)據(jù)個(gè)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(gè)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(jì)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(gè)數(shù)，M為每個(gè)通道的腦電圖數(shù)據(jù)個(gè)數(shù)。輸出:每個(gè)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(fù)向程度和激動程度，基于這兩個(gè)維度可以構(gòu)成一個(gè)情感平面空間，任何一個(gè)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(gè)點(diǎn)。

輸入:來自所有頻帶和信道的特征(標(biāo)準(zhǔn)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(biāo)準(zhǔn)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