作者丨張瑋瑋

學校丨東北大學碩士生

研究方向丨情緒識別

引言

論文動機

情緒狀態的轉變通常會激活腦電功率譜的變化。近年來的研究發現，不同的情緒狀態造成的腦電圖波譜的差異在腦電 α 頻帶比較明顯，并可以在大腦前部區域捕捉到。另外，情感反應也與不同大腦區域之間的波譜變化有關，因此，不同腦區腦電圖波譜的變化能夠預測受試者不同的情緒狀態。

如前所述，激活模式可以捕捉被試在感受不同情緒時大腦各個區域之間的功率差異，而不同大腦區域之間的連接模式則可以表現大腦進行情感處理時的信息交互過程。目前，利用這兩種補償信息的模式融合進行情緒識別的研究工作比較少。

論文工作

本文將大腦不同區域的信息網絡傳播模式和腦內激活差異融合起來，以提高情緒識別的能力。方法：構建具有相位鎖定值的情緒相關腦網絡，采用多特征融合方法將補償激活信息與連接信息相結合進行情緒識別。

論文方法

▲?圖1.?情緒識別過程

激活模式

激活模式主要反映被試者在不同情緒狀態下的能量差異。作者主要研究了功率譜密度（PSD），微分熵（DE），DASM，RASM，ASM，DCAU 這六個能量特征分布在不同情緒下的表現，如圖 2 所示。其中，從圖中可以看到 beta 和 gamma 頻段產生了顯著差異。

▲?圖2.?不同情緒下腦電激活模式

連接模式

由于不同腦區之間的同步活動并不是單純的線性關系，在本文中，作者提出了相位鎖定（PLV）的方法來捕捉非線性相位同步，統計測量兩個腦區的相位同步。PLV 的定義如下：

為了構建腦功能網絡圖，本文將 32 個電極作為網絡節點，利用圖論的知識，提取了四種腦電網絡圖特征（EEG based network patterns, ENP）。?

聚類指數量化了一個節點的最近鄰之間存在的連接數與最大可能連接數的比例，節點i的聚類指數在中定義為：

SP-Length 表示從一個節點到另一個節點必須遍歷的最小邊數。

其中：

G-Efficient 度量信息在整個網絡中傳播的程度，是任意兩個節點之間最小路徑長度的調和平均值的倒數。

L-Efficient 通過觀察其子網絡的良好連接來衡量網絡的區域專業化能力。

▲?圖3.?不同情緒下的腦功能網絡圖

模式融合

激活模式捕捉對情緒作出反應的局部活動，而連接模式挖掘相關腦區之間的相互作用。將這兩種模式融合的難點主要是這兩種特征類型中存在的冗余信息可能會意外地影響識別效果。在本工作中，將 F-score 和分類器依賴結構相結合來實現特征選擇，如圖 1，這樣既保證了所選特征子集的分辨能力，又節省了計算量。

第 i 個特征的 F-score 定義為：

F(i) 越大，說明對應特征的鑒別能力越強。對所有 F-score 值的降序排序，本文應用支持向量機（SVM）和圖正則化極值學習機（GELM）的模型，并采用 10 倍交叉驗證方案來選擇基于訓練集的廣義特征。特征選擇的步驟如下：?

1. 計算訓練集中所有特征的 F-score 值，并按降序排序，定義為 F，并將一個特性子集Fsel初始化為空。將最佳分類結果定義為 MaxR，并將其設置為 0。將最優特性索引初始化為空。

2. 從 f 中選擇 f 得分最高的特征向量，將選擇的向量加入到 Fsel 中。?

3. Fsel 進行 10 倍交叉驗證,估計平均分類精度 μ。?

4. 重復步驟 2 到 4 直到遍歷完畢。

▲?圖4. 特征選擇過程

最大化識別器的上述損失函數，特征提取過程會產生域不變的特征，從而消減情緒識別中的域差異。

結果

為了評估本文方法的性能，本文在三個基準的基于多模態的情緒數據庫上進行了實驗，即 MAHNOB-HCI、DEAP 和 SEED。從本質上說，多模態信息方法的性能改進是由于利用了從激活模式和連接模式中獲得的補償信息。

實驗結果如圖 5 所示，多模態方法相對于單模態方法有助于提高識別性能。除了提高融合策略的性能外，還需要注意影響情緒識別的另外兩個方面，一是在不同的數據集上觀察到不同的準確性，SEED 數據集表現最好。另一點是，由于不同的設計目的，不同的特征選擇方法可能會導致最佳特征子集的差異。

▲?圖5. 實驗結果

結論

在這項工作中，作者提出將腦網絡拓撲結構和基于腦電圖數據的功率譜激活模式結合起來進行情緒識別。該方法不僅捕捉了局部的情緒反應活動，而且挖掘了相關腦區之間的相互作用。

點擊以下標題查看更多往期內容：?

• 時空域分層神經網絡腦電情緒識別模型

• EmotionMeter：更精準地識別人類情緒
  

• ICLR 2020：從去噪自編碼器到生成模型
  

• 變分推斷（Variational Inference）最新進展簡述
  

• 蒙特卡洛梯度估計方法（MCGE）簡述

• 從三大頂會論文看百變Self-Attention

#投 稿 通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。

?????來稿標準：

? 稿件確系個人原創作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?

? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志

???? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發送?

? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通

????

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 下載論文

總結

以上是生活随笔為你收集整理的脑电情绪识别：脑功能连接网络与局部激活信息结合的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。