目录
本分享为脑机学习者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
机器学习的最新进展使得检测和识别人类情绪的技术也得到了快速的发展。其中一部分机器学习技术中是通过分析脑电图(EEG)信号来工作的，这些信号本质上是对从一个人的头皮上收集的脑电活动的记录。
过去十多年来，大多数基于脑电图的情绪分类方法都采用了传统的机器学习方法，例如支持向量机(SVM)模型，因为这些方法需要的训练样本较少。事实上之所以使用需要训练样本量少的方法是因为过去缺乏大规模的EEG数据集。然而最近，研究人员已经汇编并发布了一些包含脑电图记录的新数据集。
这些数据集的发布为基于脑电图的情绪识别开辟了新的可能性，因为它们可以用于训练深度学习模型，从而获得比传统ML技术更好的性能。不过不幸的是，这些数据集中包含的脑电图信号的低分辨率可能会使训练深度学习模型变得相当困难。
“低分辨率的问题仍然是基于脑电图的情绪分类问题中一个重要的问题，”研究人员之一Sunhee Hwang说到。“我们提出了解决此问题的方法，包括生成高分辨率的脑电图图像。”
为了提高现有脑电图数据的分辨率，Hwang和她的同事首先使用收集数据时的电极坐标生成了所谓的“保留拓扑的微分熵特征”。随后，他们开发了一个卷积神经网络(CNN)，并根据更新后的数据对其进行训练用来估计三种一般的情绪(即积极、中立和消极)。
Hwang说：“以前的方法往往会忽略EEG特征的拓扑信息，但是我们的方法通过学习生成的高分辨率EEG图像来增强EEG表示。” “我们的方法通过提出的CNN对脑电图特征进行重新聚类，使聚类的效果得到更好的表征。”
研究人员在SEED数据集中训练和评估了他们的方法(该数据包含62通道EEG信号)。他们发现，他们的方法可以对情绪进行分类，平均准确率高达90.41％，优于其他基于脑电图的情绪识别机器学习技术。
“如果从不同的情感片段中记录到EEG信号，则原始DE特征将无法聚类。” Hwang补充道。“我们还将我们的方法应用于估计驾驶员警惕性的任务上，以显示其现成的可用性。”
未来，Hwang和她的同事提出的方法可以为开发新的基于脑电图的情绪识别工具提供参考，因为它为克服脑电图数据分辨率低的问题提供了一个可行的解决方案。相同的方法也可以应用于其他深度学习模型来分析EEG数据，甚至是那些用于对人类情感进行分类之外的模型。
“在计算机视觉任务中，大规模的数据集使得图像分类的深度学习模型取得了巨大的成功，其中一些应用已经超越了人类的表现，”Hwang说。此外，复杂的数据预处理也不再必要。在我们未来的工作中，我们希望使用一个生成的对抗网络(GAN)生成大规模的脑电图数据集。
参考
一种基于脑电图情感识别的新型深度学习模型
A new deep learning model for EEG-based emotion recognition
本文章由脑机学习者Rose笔记分享,QQ交流群：903290195
更多分享，请关注公众号
