论文周报 | 第4期
更多技术，第一时间送达
在这篇文章中，作者使用机器学习方法研究了情感识别过程中脑电图（EEG）随时间变化的稳定模式。本论文专注于识别情绪识别中的脑电图稳定性，并使用DEAP数据集和SEED数据集，系统地评估了各种常用的特征提取、特征选择、特征平滑和模式分类方法的性能。具有微分熵特征的判别图正则化极值机器学习在DEAP和SEED数据集上分别达到69.67％和91.07％的平均准确度。实验结果表明，稳定的模式在不同时段表现出一致性。在β和γ谱带中，外侧颞区对积极情绪的激活程度比消极情绪的激活程度更多；中性情绪的神经模式在顶叶和枕叶部位具有较高的alpha响应；对于负面情绪，神经模式在顶叶和枕叶部位具有明显较高的delta响应，在前额叶部位具有更高的gamma响应。本论文中的情绪识别模型的性能表明，神经模式在会话内和会话间是相对稳定的。
该论文在情绪识别中的主要贡献：
1.开发了一个新的基于EEG的情绪数据集SEED;
2.论文在DEAP和SEED数据集上，对不同的特征提取、特征选择、特征平滑和模式分类方法进行了系统的比较和定性评价；
3.论文采用discriminative Graph regularized Extreme Learning Machine (GELM)去确定稳定模式和用交叉会话计划评估情绪识别模型的稳定性。
SEED数据集
15名受试者(7男，8女)；实验要求：每个受试者进行三次实验，每次实验间隔一周，每次实验有15次试验。
论文方法阶段包括：特征提取、特征平滑、降维、分类
特征提取
论文中选择了如下六种特征进行了处理，并对使用了如下的波段。使用的电极位置如上图。
特征平滑
论文中假设情绪状态是在一个连续的空间中定义的，并且情绪状态是逐渐变化的。该论文的方法侧重于跟踪脑电图随时间变化的情绪状态。该方法将情绪变化的动态特征引入到情绪识别中，并研究观察到的脑电图是如何从隐藏的情绪状态产生的，并应用应用线性动态系统(LDS)方法滤除与情绪状态无关的成分。
降维
由于提取的特征可能和情绪状态无关，会导致分类器的性能下降。因此在研究中，论文中比较了两种常用的方法:主成分分析(PCA)和最小冗余最大关联(MRMR)算法。
比较的结果是：PCA虽然可以降低特征维数，但不能保留变换后的信道、频率等原始域信息。因此，选择MRMR算法从初始特征集中选择一个特征子集。MRMR算法使用互信息作为关联度量，最大依赖准则和最小冗余准则。
分类
将提取的特征输入到传统模式分类器(k近邻(KNN)、logistic回归(LR)、支持向量机(SVM)), 以及新设计的模式分类器，判别图正则化极限学习机(GELM)，构建情感识别系统。
实验
论文中将该方法在两种数据集(DEAP和SEED)上进行了试验
在DEAP数据集中的试验：
论文首先提取论文首先提取32通道脑电图数据的PSD、DE、DASM、RASM、ASM和DCAU特征。对DEAP数据集中的原始脑电图数据进行预处理，降采样至128Hz，频带通滤波至4.0~45.0 Hz，去除EOG伪影。论文中提取了四个频段的特征:theta: 4-7 Hz,alpha: 8-13 Hz, beta: 14-30 Hz, gamma: 31-45 Hz。利用线性动态系统方法进一步平滑特征。并选择SVM和GELM作为分类器。在本研究中，作者使用具有线性核的SVM分类器，并将GELM的隐含层神经元数量固定为输入维数的10倍。实验中均采用五倍交叉验证，下表是支持向量机和GELM分类器对不同特征的平均正确率(%)
在SEED数据集上的试验：
下图展示了从五个频带（δ、θ、α、β和γ）提取的六个不同特以及这五个频带的直接连接征的GELM分类器的平均精度。结果表明，从γ和β频段获得的特征比从其他频段获得的特征表现得更好，这意味着大脑活动的β和γ振荡与这三种情绪状态的处理比其他频率振荡相关性更高。
所有参与者和不同情绪阶段的平均神经模式，这表明确实存在与积极，中性和消极情感相关的神经特征。在β和γ谱带中，外侧颞叶区域对积极情绪的激活要多于消极情绪。尽管中性情绪的神经模式与负性情绪的神经模式相似，两者在颞区的激活程度都较低，而中性情绪的神经模式在顶叶和枕叶部位具有较高的α响应。负性情绪模式在顶叶和枕叶部位具有明显较高的δ反应，在前额叶部位具有较高的γ反应。
论文研究了论文提出的情绪识别模型在参与者和会话中的稳定性，并发现该模型在参与者和会话中的性能比单个实验差。希望在一组参与者或会话的脑电图数据上训练模型，并对来自其他未见参与者或会话的新数据进行推理。然而，这在技术上是困难的，因为参与者之间的个体差异与脑电图测量的固有变异性，如环境变量。不同的情绪有一些共同的神经模式，但是对于不同的参与者和不同的会话，它们仍然包含着一些个体差异，这可能导致潜在的概率分布在参与者与参与者之间或会话与会话之间发生变化。这就是为什么在每个参与者或会话上训练和测试的分类器的平均准确率要远远高于在一组参与者或会话上训练和测试的分类器的平均准确率。
论文实验结果表明：与积极、中性和消极情绪相关的神经信号和稳定的脑电图模式确实存在。
论文地址：
https://ieeexplore.ieee.org/document/7938737