论文部分内容阅读
近年来,脑科学研究受到前所未有的重视,人的大脑进行着情绪等高级活动,因此通过人的脑电图(Electroencephalogram,EEG)信号来探索情绪识别具有重要的科学价值。但是情绪识别研究因为不同研究对象的脑电数据存在较大的个体差异,每个人的EEG信号都有很大的不同,导致跨被试(个体)情绪识别是相当的困难。所以,如何提高跨被试的情绪识别准确度一直是相关研究工作关注的重点内容。探索生理信号与情绪识别的关系,特别是通过EEG信号进行情绪识别引起了人们的广泛关注。基于EEG信号的情绪识别有两个不能忽视的问题:其一是由于EEG信号在不同被试之间的特征泛化能力较差,因此很难从由部分被试个体的EEG特征所训练的情绪模型准确地进行跨被试情绪识别。引起这个问题的一个重要的原因是有的EEG特征是冗余的或是不相关的,所以有必要从提取的EEG特征中选择最有效的特征子集训练模型,从而提高模型的泛化能力。其二是以前的相关工作大多只是提取少数几种EEG特征,或者只使用了某种常用机器学习方法来研究跨被试情绪识别,这两种做法导致的问题是可选择的有效特征少且缺乏对常用机器学习方法进行探究比较。因此针对以前相关工作的不足,论文的研究工作是首先提取了10种线性和非线性的EEG特征来组合成高维特征,然后对高维特征进行有效的特征选择并进行跨被试情绪分类识别。在这个过程中,论文提出了一种将显著性检验、序列后向选择和支持向量机融合的跨被试情绪识别方法——显著性检验-序列后向选择和支持向量机算法(the Significance Test-Sequential Backward Selection and Support Vector Machine,ST-SBSSVM)。所提方法的有效性在使用生理信号进行情绪分析的公开数据集DEAP和SJTU(Shanghai Jiao Tong University)的情绪脑电数据集(SEED)上进行了检验,其结论如下:(1)ST-SBSSVM与常用的机器学习方法(如SVM、KNN、PCA-SVM、PCAKNN、随机森林RF、序列后向选择SBS)相比,在DEAP数据集和SEED数据集上分别平均提高了12.4%和26.5%的跨被试情绪识别准确率,可以和使用深度学习方法的同类型研究相媲美。(2)在DEAP数据集上,使用ST-SBSSVM获得的情绪识别准确率与仅使用序列后向选择(SBS)获得的准确率基本相同,但是使用ST-SBSSVM分析高维特征比仅使用SBS节省了约97%的程序运行时间。(3)在SEED数据集上,使用ST-SBSSVM的获得情绪识别准确率比仅使用SBS获得的情绪识别准确率平均高了约6%,且使用ST-SBSSVM分析高维特征比仅使用SBS节省了约91%的程序运行时间。(4)与近年来同类型的研究相比,论文所提出的方法的跨被试情绪识别准确率是靠前且有效的,且在DEAP和SEED数据集上的跨被试情绪识别结果分别约为72%和89%。