【原】从脑电图(EEG)中提取稳定的模式进行识别

更多技术干货第一时间送达

本篇文章是论文《Identify Stable Patterns over Time for Emotion Recognition from EEG》(《从脑电图(EEG)中提取稳定的模式进行识别》)的阅读总结。

由脑机接口社区群友、CSDN网友JiawenZhang97授权分享。在此非常感谢社区群友JiawenZhang97！

关于SEED数据集，社区之前也分享过相应的文章《上海交大情感脑电数据集(SEED)简介》

摘要

• 采用机器学习的方法，研究了情绪识别过程中脑电图随时间变化的稳定模式。主要研究情绪识别中脑电图稳定性的识别问题。用DEAP数据集和SEED数据集，系统地评价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对DEAP和种子数据集的平均准确率分别达到69.67%和91.07%。

• 实验结果表明，稳定模式在会话间具有一致性。在β和γ波段，外侧颞区对积极情绪的激活程度高于消极情绪;中性情绪的神经模式在顶叶和枕叶部位有较高的阿尔法反应;对于负面情绪，神经模式在顶叶和枕叶部位有显著的更高的delta反应，在前额叶部位有更高的gamma反应。

• 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。

引言

• 以往的许多研究都集中在参与者依赖和参与者独立的模式和情感认知评价上。然而，模式的稳定性和模型随时间的性能还没有得到充分的利用，它们对于实际应用程序非常重要。

• 稳定的脑电图模式被认为是与大脑关键区域和关键频带相关的神经活动，这些区域和频带在不同情绪状态下的个体和会话中具有共性。

• 虽然任务相关脑电图由于认知状态和环境变量的不同而变化敏感，但我们直观地认为，特定任务的稳定模式在同一参与者的重复会话中应该表现出一致性。

• 脑电图信号辨别不同情绪的能力是什么?是否有稳定的脑电图模式，神经振荡或大脑区域代表情绪?基于机器学习方法的模型的日常性能如何?

• 本文对情感识别的主要贡献：

1. 新的数据集SEED

2. 在DEAP和SEED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. 采用一种 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感识别模型的稳定性。

4. 结果表明，三种情绪的神经信号确实存在，关键频段和大脑区域的脑电图模式在会话内和会话间相对稳定。

5. 论文章节安排如下：

        第二节，简要介绍了基于脑电图的情绪识别的相关工作，以及对不同情绪的稳定模式的研究结果。系统地介绍了脑信号分析方法和分类方法，包括特征提取、降维和分类器。

        第三、四节，介绍了我们实验设置的动机和基本原理。对我们所使用的所有材料和协议也作了详细的说明。利用DEAP数据集和SEED数据集对不同的方法进行了系统的评价。我们使用时频分析来寻找不同情绪的神经特征和稳定模式，并评估我们的情绪识别模型随时间的稳定性。

相关工作

• 情感神经科学的目标之一是研究特定情绪的大脑活动模式是否存在，以及这些模式在某种程度上是否在个体间普遍存在。似乎不存在针对特定情绪的处理模块。然而，特定情绪的神经信号作为脑活动的一种分布模式可能存在。

• 对交流研究人员来说，识别出参与者之间共同的、在不同会议之间稳定的神经模式，可以为基于脑电图的情感识别提供有价值的信息。

• Lan等人对情绪识别算法中特征的稳定性进行了初步研究。他们研究了每个特征的稳定性。在实际应用系统的开发中，情绪识别系统的性能一直是一个悬而未决的问题。因此，本文的主要目的是利用时频分析和机器学习方法研究稳定的脑电图随时间变化的模式。论文中强调，不研究神经学模式下的情绪调节，而是研究不同时期的特定情绪状态。

• DEAP数据集不包含同一参与者不同时段的脑电图数据，不能用于研究随时间变化的稳定模式。

情感实验设计

SEED数据集简介

一. 在preprocessed_EEG文件夹中

• 15名被试者（7男，8女）

• 每个被试者进行三次实验，每次实验间隔一周

• 每次实验有15个试验，一次试验的流程如下：

• 采样频率为200HZ，0~75HZ带通滤波，62个通道

• 15个试验分别保存在eeg1~eeg15中，数据格式为 通道*数据

• 数组名称标签包含相应情感标签（-1表示负数，0表示中性，+1表示正数）

二. 在Extracted_Features文件夹中

• 这些数据适合想要快速测试分类方法，而不需要原始EEG数据的人

• 文件格式与“data_prepocessed”相同

• 还计算了“差分不对称（DASM）”和“理性不对称（RASM）”特征，作为27对半球不对称点击的DE特征之间的差异和比率

• 使用传统的移动平均线和线性动态系统（LDS）方法，所有特征都更加平滑

特征提取

以下六个不同的特征和电极组合：

五个波段的频率如下：

特征平滑

• 这里，我们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。我们的方法侧重于跟踪脑电图随时间变化的情绪状态。在我们的方法中，我们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。

• 我们应用线性动态系统(LDS)方法滤除与情绪状态无关的成分。为了比较，我们也评估了传统移动平均法的性能。

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，我们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。

• 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，我们选择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

• 将提取的特征进一步反馈给三种传统的模式分类器，即， k近邻(KNN)， logistic回归(LR)，支持向量机(SVM)，以及新开发的模式分类器，判别图正则化极限学习机(GELM)，构建情感识别系统。

• 我们研究了我们的情绪识别模型在参与者和会话中的稳定性，我们发现该模型在参与者和会话中的性能比单个实验差。一般情况下，我们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。

• 虽然正如我们上面所报道的，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。

• 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。

作者博客地址

https://blog.csdn.net/pary__for/article/details/100862759