基于并行计算情绪识别的研究

发布时间：2023-05-22 04:04

　　赋予机器情感以及对于情绪识别的研究是当今时代的一个热点话题。情绪识别的数据要利用EEG技术获得,但是随着硬件技术的发展,为了获取尽量丰富的脑电信息和较高精度的数据,通常利用多通道(32、64或128通道)高精度的脑电采集设备。通过增加采集脑电设备的通道数和采样频率,一方面增加了脑电采集设备的成本、也增加了设计难度和操作复杂度,一方面大量的脑电数据会导致计算量过大,影响情绪识别的实时性。快速的处理大量的脑电数已成为基于脑电信号的情绪识别的一个研究重点。在基于脑电信号特征提取算法中,常用的是小波包分解和小波分解。为了解决利用传统Mallat算法进行分解、重构的复杂性,本文在Mallat算法基础上,应用“半小波包”的概念,形成将小波分解与小波包分解相结合的“半小波包分解”算法,解决了小波分解只对低频信号有效以及小波包分解的冗余问题。首次利用半小波包和改进Mallat算法的卷积过程对DEAP数据库中的脑电信号进行分解重构,在保证准确度的基础上,优化后的Mallat算法达到了分解信号高速率、分解算法低复杂度的效果,与未优化的Mallat算法相比,优化后的Mallat算法大概只需要传统Mallat...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 脑电信号的研究现状
        1.2.2 情绪识别的研究现状
        1.2.3 并行计算的研究现状
    1.3 论文的主要内容
    1.4 本文结构
第2章 基于脑电信号的情绪识别原理
    2.1 脑电的概念
    2.2 脑电数据的处理
        2.2.1 脑电信号来源
        2.2.2 脑电信号的预处理
        2.2.3 脑电信号特征提取与选择
    2.3 情绪识别
    2.4 本章小结
第3章 基于DAUBECHIES小波的脑电特征提取与选择
    3.1 原理与方法
        3.1.1 脑电信号提取原理
        3.1.2 离散小波变换原理(Daubechies小波)
        3.1.3 Mallat算法原理
    3.2 MALLAT算法改进
        3.2.1 改进小波包
        3.2.2 卷积过程的改进
        3.2.3 信号重构
    3.3 基于主成分分析算法对ALPHA、GAMMA频段进行特征提取
        3.3.1 提取Alpha、Gamma频段的频域特征
        3.3.2 基于主成分分析算法进行特征选择
    3.4 实验结果
    3.5 本章小结
第4章 基于并行加速MALLAT算法及特征值提取与选择
    4.1 CUDA体系架构及其运行方式
        4.1.1 CUDA体系结构
        4.1.2 CUDA运行方式
    4.2 CUDA加速特征值提取和特征选择
        4.2.1 实验平台
        4.2.2 CUDA加速改进Mallat算法
        4.2.3 CUDA加速基于Alpha、Gamma频段的特征提取
        4.2.4 CUDA加速基于Alpha、Gamma频段的特征选择
    4.3 结果分析
    4.4 本章小结
第5章 基于深度学习的情绪识别
    5.1 DEAP数据库标签数据转换
    5.2 基于深度信念网络的情绪识别
        5.2.1 受限玻尔兹曼机
        5.2.2 深度信念网络
    5.3 基于多预测深度玻尔兹曼机的情绪识别
        5.3.1 深度玻尔兹曼机
        5.3.2 多预测深度玻尔兹曼机
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间取得的成果
致谢



本文编号：3821966