转自：https://blog.csdn.net/lwwangfang/article/details/52279131
本文是在阅读学习了《Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks》 一文后，进行的学习总结。
情感识别介绍：
对于情感的研究来说，它是一个跨学科的领域，涉及着计算机科学，心理学，认知科学以及神经学等，每一领域的研究成果都在为情感研究提供着帮助。经过前人的积累。我们发现，相比于使用面部识别和动作来进行情感识别，通过分析脑电波，进行情感计算，能获得更高的识别精度（因为它不能伪装或者人为改变，更自然）。并且随着可穿戴和干电极技术的发展，使得在现实环境（而不仅限于实验室）中获取脑电信息，进行情感分析变得更方便。虽然对于脑电波的获取问题，我们得到了很大的改善，但是，面对着参杂各种噪音，信噪比低，不对称不稳定的脑电波信号来说，如何有效的进行特征提取和选择，从而进行情感分类，识别，又是人们遇到的一个难题。幸好随着深度学习的发展，特征的选择和提取过程可以被自动的完成，这既能节省计算成本，又能避免手动操作的各种弊端。基于脑电的情感分析过程主要如下：
基于脑电的情感识别过程：
（1）通过对受测者进行外界刺激（气味，图片，音乐，视频等），让人产生情感变化（高兴的，悲伤的等），再通过可穿戴装备，获取，记录下受测者的脑电波。
（2）进行对脑电信号的预处理，降噪去伪迹。因为对于脑电信号来说，其非常弱，容易受到来自环境和人体内的各种信号的干扰，外界环境尽量控制安静，平稳，而人自身的眼电信号，心电信号，肌电信号等都将掺杂在获取的脑电中，所以，有效去除这些伪迹信号是很重要的。
（3）进行特征提取和特征选择。特征提取是提取脑电中有用的信号，来构建用于分类的特征向量，而因为此时构造的特征一般较高，不利于后面的计算和分析，所以需要进一步进行特征选择，在尽量保留更具表征能力的特征，去除高维特征空间中的干扰。
（4）使用前面获取的特征，训练并测试分类器。
（5）使用分类器对测试样本进行分类，将分类结果与测试者本身判定的自身情感状态相比较，计算情感识别精度。
上面提到的参考论文主要完成的工作如下：
（1） 在之前学者提出的科研结论上，证实了：人类脑电波（EEG)变化与人类情感的变化之间是存在一定联系的，通过对脑电波的分析，可以判断人类的情感状态。
（2）比较四种分类器（KNN，LR，SVM，DBNs)进行情感识别的精度，证明使用深度神经网络——DBNs,可以得到更好的识别效果。
（3）通过与使用62个电极的结果进行比较，设计实验（改变电极数为4，6，9，12），证明：电极数量不需要必须为全部62个，在减少电极数量时，实验精度仍比较满意。（例如：在实验采取电极数为12时，获得的结果比电极数为62时的情感识别精度更高）
论文中采用的实验总体设计：
（1）15个普通，正常的测试者，采用包含3种情感（积极情感，自然，消极消极情感）的15个（每个4min）电影片段作为情感引导刺激因子。在安静环境下进行测试，采用 ESI NeuroScan System进行脑电信号记录，在这个过程中，选用62个电极，1000HZ的采样率，电极放置位置采用标准10-20系统（如下图所示），并且为了保证实验测试结果的稳定性，将组织相同的测试人员在一段时间后（一个月间隔）再进行第二次测试，避免时间阶段内测试者本身情感波动的干扰。
（2）使用正确的情感数据进行进一步的分析。比如当受测者接受的是消极的电影刺激，并且受测者自身反馈他的确在看此电影片段后是感受到的是消极情感，那么就把这些时期的脑电数据挑选出来，作为训练样本。并且对原EEG信号进行降低采样到200HZ, 并且通过观察，人为去掉受肌电和眼电干扰重的信号，同时记录下眼电信号，以用来处理其他脑电信号。
（3）特征提取
对于脑电信号，其低频信号的能量高于高频信号的能量。文中将脑电信号中0-50HZ的信号分为5个频带，delta：1-3hz, theta:4_7hz; alpha 8-13hz; beta:14-30hz;gamma 31-50hz 。并根据前人提出的一些脑电特征提取的研究工作，进行脑电数据的特征提取：
主要包括的特征为：PSD,DE（differential entropy）DASM RASM ,DCAU. （具体想了解的去文中看）
探究：
（1）验证脑电信号特征与人的情感状态之间存在一定关系。例如实验中，共15个4分钟的视频，3900秒，经过预处理，去掉了一些干扰严重的信号等，最后留下3300多秒的脑电信号，如下图所示，是一个受测者的情感脑电数据图。可以发现，在Beta和Gamma频带，有一些时间段内，其信号强度为绿色红色黄色，相对于蓝色来说，这些时间段内信号强度较强，而实验知，这些时间段内是积极情感的脑电信号，所以说：积极情感时，脑电信号中Beta和Gamma频带的数据信号强度较大，而自然和消极的情感状态时，Beta和Gamma频带的信号都为蓝色，强度较低。同时还可以发现，在Alpha频带，有些时间段内的信号强度为黄色，信号较强，而实验知，这些时间段内是消极情感的脑电信号。所以从以上的发现可知，人的脑电信号的特征与人类情感状态是有一定关系的，可能表现为像上面的情况所说，某些情感状态时，不同频带的信号强度各自不同。因此，使用基于脑电的方法进行情感识别的研究是可行的。
（2）探究四种分类器（浅度模型：KNN，LR，SVM & 深度模型：DBNs）的分类效果，证明深度模型对基于脑电的情感分析效果更好。实验设置如图（下图左）所示，实验精度结果如图（下图右）所示。从实验结果图中，我们可看出，在采用同一特征时，各个分类器对于消极情感状态的识别精度都比较好为100%，但是，对于积极情感状态的识别率，用深度神经网络DBNs的效果最好为81%。
（3) 探究不同的电极池（4，6，9，12个），获得的情感识别准确率情况。证明采用12个电极时情感识别精度最高，为86.65%，偏置为8.62%，比满导（62个电极）的识别精度83.99%，偏置9.72还要好。
下图为DBNs第一层上的特征权值分配情况，可以发现高权值多分布在Beta和Gamma频带，也就是说，对于情感状态对应的脑电信号，多分布在这两个频带，适合进行情感分析的数据多在这两个频带。
而通过观察各频带信号产生的位置在大脑皮层上的分布（下图左），我们发现，Beta和Gamma频带的信号多产生在图中红色圆圈区域内。对应于之前的62全电极分布图，大致位置在头左右两侧（下图右）的红色椭圆内。
根据以上的观察结果，在实验中，通过设置如下图所示的四种电极放置数量和位置（下图左），来进行比较，获得实验数据（下图右），可知：在采用DE特征，SVM分类器的共同前提下，四种电极池的设计中，采用12个电极的效果最好，准确率最高。
