AAAI2020 一种启发式变分路径推理（VPR）脑电情绪识别方法

AAAI2020|| 一种启发式变分路径推理（VPR）脑电情绪识别方法

论文工作

人类情感认知的研究表明，在情感表达过程中，空间相邻区域和功能相关区域之间存在着联系和通路。作者提出了一种启发式的变分路径推理(VPR)方法来处理基于脑电波的情绪识别，引入随机游走来产生大量沿电极的候选路径。为了编码每个路径，动态序列模型用于进一步学习电极间的依赖关系。

论文方法

为了降低步行路径的数目，作者通过划分五个脑功能区域(额叶(F)、颞叶(T)、顶叶§、枕叶(O)和中央区© ，将步行范围限制在局部区域内，并仅定义空间相邻电极之间的直接连接。 对于作为开始节点的每个电极，作者在预定义的行走长度内采样多个候选路径。考虑到步行路径的序列特性，引入动态序列模型LSTM对电极间依赖关系进行编码，进一步提取路径的高级特征。对于每个电极，最大限度地聚合其中的编码通路，得到一个伪显著通路，其每条边实际上表示跳跃阶段的显著连接。为了进一步简化伪路径，作者提出了一个稀疏变分缩放(SVS)模块来学习施加在这些路径上的缩放因子。与局部聚集相比，变分标度在所有电极上共享，因此可以理解为一种整体加权策略。尺度因子不仅可以用于生成更多的判别特征用于最终的情绪预测，而且还可以反馈到这些候选路径中，从而确定最终的显著路径。

产生候选路径

对于输入的脑电图信号，每个电极对多个通路进行采样。形式上，对于长度为l的随机行走，有序节点[u0, u1，···，ul]由以下分布生成 :

其中，e(v1,v2)表示节点v1和v2之间的非标准化邻接，如果v1,v2在空间上相邻(详见图2)，则其值设为1，否则设为0 。Z为归一化常数，${\epsilon }_r$为封闭在r-th脑区相邻电极对的集合(r {F, T, P, O, C})。

路径编码

候选路径采用序列递归模型LSTM对行走节点的依赖进行编码，获得其嵌入表示。在形式上，对于给定的路径[u0, u1，··，ul]，编码过程定义如下 ：

局部路径聚合

为了找到电极之间的显著联系，我们使用max-aggregation来找到那些具有相同起始节点的局部候选路径。通过取嵌入通道间各维度的最大值来计算聚合路径：

由于最大位置不一致，一个聚合路径可能不是一个真正的行走，但该路径记录了那些最显著的电极之间的连接。因此，我们将聚合路径称为伪显著路径。 其中一个候选通路与相应的伪显著通路高度相关。形式上，一个候选通路的局部显著性推导为 ：

整体路径缩放

作者提出了SVS模块来推导伪路径的比例因子，引入了具有稀疏约束的变分推理模型，而不是采用确定性的方法。由于SVS在数据分布拟合方面具有良好的数学特性，因此具有稳定性和可解释性。 同时，约束尺度因子的稀疏结构，以自适应地选择显著路径。 每个伪通路显著性$S_j$将根据对应的潜在变量$Z_j$重新缩放 :

​

利用Kullback-Leibler (KL)-散度估计
与

的分布距离，利用
使kl -散度最小可以得到
的较好近似。 最小化kl -散度等价于最大化

损失函数与候选路径的选择

在训练整个VPR时，作者最小化整个损失函数，定义如下：

为了确定的显著路径,本文结合每个候选路径的贡献力量相应的伪路径 ${\alpha }_{k\to j}$ 和伪通路的重要性$z_j^{{}^{\prime }}=\sigma (z_j)$。在形式上,在j极点的第k-th候选路径,整体贡献$c_{jk}$表示最后情感分析的定义是:

结果

本文通过对SJTU情绪脑电图数据集(SEED)和多模式生理情绪数据库(MPED)两种脑电图情绪数据集进行实验来评价VPR。为了达到一个全面的评估，提出的VPR与多种先进的方法比较，遵循广泛使用的subject dependent 协议。

为了进一步直观地理解路径选择，本文在这里将那些显著的路径可视化，通过施加更高值的缩放因子来自适应地突出这些路径。同时，在图4和图5中展示了不同被试和不同情感类别之间有序联系的差异，这从人类情感认知的角度来看可能也很有意义。

结论

7920)].jpg)

[外链图片转存中…(img-LsIZUfTu-1609225537921)].png)

结论

论文提出了一种基于感知机制的脑电情绪识别框架VPR。考虑到空间的邻接性和功能区，在每个脑区域内沿封闭的空间电极引入随机游走，生成候选路径。为了编码每个路径，考虑到有序连接，我们使用LSTM模型来学习电极间的依赖关系。为了捕获最重要的成对连接，每个电极周围的编码通路被聚合以产生一个伪最大能量通路。为了进一步选择显著路径，提出了基于贝叶斯概率过程和稀疏约束的SVS模块，使该模块具有良好的泛化能力，同时有利于路径的自适应选择。最后，通过伪路径和尺度因子共同确定候选路径的显著路径。