本分享為腦機學習者Rose整理發表於公眾號：腦機接口社區(微信號：Brain_Computer).QQ交流群：903290195
機器學習的最新進展使得檢測和識別人類情緒的技術也得到了快速的發展。其中一部分機器學習技術中是通過分析腦電圖(EEG)信號來工作的，這些信號本質上是對從一個人的頭皮上收集的腦電活動的記錄。
過去十多年來，大多數基於腦電圖的情緒分類方法都采用了傳統的機器學習方法，例如支持向量機(SVM)模型，因為這些方法需要的訓練樣本較少。事實上之所以使用需要訓練樣本量少的方法是因為過去缺乏大規模的EEG數據集。然而最近，研究人員已經匯編並發布了一些包含腦電圖記錄的新數據集。
這些數據集的發布為基於腦電圖的情緒識別開辟了新的可能性，因為它們可以用於訓練深度學習模型，從而獲得比傳統ML技術更好的性能。不過不幸的是，這些數據集中包含的腦電圖信號的低分辨率可能會使訓練深度學習模型變得相當困難。
“低分辨率的問題仍然是基於腦電圖的情緒分類問題中一個重要的問題，”研究人員之一Sunhee Hwang說到。“我們提出了解決此問題的方法，包括生成高分辨率的腦電圖圖像。”
為了提高現有腦電圖數據的分辨率，Hwang和她的同事首先使用收集數據時的電極坐標生成了所謂的“保留拓撲的微分熵特征”。隨后，他們開發了一個卷積神經網絡(CNN)，並根據更新后的數據對其進行訓練用來估計三種一般的情緒(即積極、中立和消極)。
Hwang說：“以前的方法往往會忽略EEG特征的拓撲信息，但是我們的方法通過學習生成的高分辨率EEG圖像來增強EEG表示。” “我們的方法通過提出的CNN對腦電圖特征進行重新聚類，使聚類的效果得到更好的表征。”
研究人員在SEED數據集中訓練和評估了他們的方法(該數據包含62通道EEG信號)。他們發現，他們的方法可以對情緒進行分類，平均准確率高達90.41％，優於其他基於腦電圖的情緒識別機器學習技術。
“如果從不同的情感片段中記錄到EEG信號，則原始DE特征將無法聚類。” Hwang補充道。“我們還將我們的方法應用於估計駕駛員警惕性的任務上，以顯示其現成的可用性。”
未來，Hwang和她的同事提出的方法可以為開發新的基於腦電圖的情緒識別工具提供參考，因為它為克服腦電圖數據分辨率低的問題提供了一個可行的解決方案。相同的方法也可以應用於其他深度學習模型來分析EEG數據，甚至是那些用於對人類情感進行分類之外的模型。
“在計算機視覺任務中，大規模的數據集使得圖像分類的深度學習模型取得了巨大的成功，其中一些應用已經超越了人類的表現，”Hwang說。此外，復雜的數據預處理也不再必要。在我們未來的工作中，我們希望使用一個生成的對抗網絡(GAN)生成大規模的腦電圖數據集。
參考
一種基於腦電圖情感識別的新型深度學習模型
A new deep learning model for EEG-based emotion recognition
本文章由腦機學習者Rose筆記分享,QQ交流群：903290195
更多分享，請關注公眾號