基于深度信念网络的脑电图情感分类

本教程为脑机学习者Rose发表于公众号：脑机接口社区 .QQ交流群：903290195

导读

近年来，在使用深度网络进行无监督的数据特征学习方面取得了巨大的成功，特别是对于图像和语音。在该论文中，作者引入了深度学习模型来对基于脑电数据的情绪(积极和消极)进行分类。论文从多通道脑电图中提取的差分熵(Differential Entropy, DE)特征作为输入,训练深度信念网络(Deep Belief Network, DBN)。并且结合隐马尔可夫模型(HMM)作为辅助方法来获取更可靠的情感转换状态。论文中并比较了深度网络模型、KNN、SVM和图正则化极限学习机(GELM)的分类性能。在实验中，DBN-HMM，DBN，GELM，SVM和KNN的平均识别率分别为87.62％，86.91％，85.67％，84.08％和69.66％。实验结果表明，与当时的情绪分类方法相比，DBN和DBN-HMM模型提高了基于EEG的情绪分类的准确性。

分类方法

下图为论文中构建的5种基于脑电的情绪分类方法，它们分别从多通道EEG数据中提取特征，训练分类模型。

特征提取

利用差分熵提取特征
差分熵扩展了香农熵的思想，并用于测量连续随机变量的复杂性。研究表明，对于固定长度的脑电信号，差分熵等效于某个频带内的对数能量谱。所以可以在五个子频带(δ: 1-3Hz, θ: 4-7Hz, α: 8-13Hz, β: 14-30Hz, γ: 31-50Hz)中计算差分熵。
由于脑电数据在高频能量上具有较高的低频能量，DE因而具有区分低频和高频能量脑电图的平衡能力。在特定的EEG序列中，使用一个1s长的非重叠Hanning窗和一个包含512个采样点的短时傅里叶变换来提取原始脑电信号的五个频带信号，并计算每个频带的差分熵。

分类器

深度信任网络(DBN)是一种具有深度结构的概率生成模型。它是通过将预定义的受限Boltzmann机(RBM)堆叠在一起构建的，其中较低级别RBM的输出是较高级别RBM的输入，结构如下图所示，采用一种有效的贪婪逐层算法对每一层网络进行预训练。

实验数据与结果

选择一些带有特定情感的电影片段来帮助受试者产生需要的情感状态。总共有12个片段(6个带有积极情绪，6个带有消极情绪), 每个片段持续时间约为4分钟。

共有6名受试者(3名男性，3名女性)参与了该实验，每名受试者参与实验2次，2次实验之间间隔一周以上。[受试者视力正常或矫正视力正常和听力正常]

上图为单次实验的DE特征图，如图所示，高频振荡反映了积极和消极任务下脑电信号的不同响应模式，这有助于情绪识别。

下图为不同分类器在不同频带上的分类精度。从图中可以看到，论文提出的方法在Gamma和Beta频段的表现比其他频段更好。

下表列出了6位受试者得到的实验数据在不同分类器和不同频带条件下的识别结果。KNN，SVM，GELM，DBN和DBN-HMM的精度平均值和标准偏差分别为69.66/19.80，84.08/9.66，85.67/9.37，86.91/7.62，87.62/7.48。

从表中可以看到，DBN-HMM和DBN模型比其它分类模型具有更高的平均准确度和更低的标准偏差。从表的平均精度和标准偏差可以看出，GELM在低频特征方面的表现优于其它分类器，DBN在高频特征和综合所有频率特征方面表现更好。

论文解读过程中也参考了一位CSDN用户的博客，不过忘记了博客地址，在此衷心表示感谢。

论文地址
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6890166&tag=1

本文为脑机学习者Rose整理发表于公众号：脑机接口社区(微信号：Brain_Computer).QQ交流群：903290195