客服热线：
手机版
二维码
（图片来源：Hwang等）
近期机器学习的进步使得监测、识别人类情绪的技术得到发展。其中一些技术通过分析脑电图信号工作，脑电图信号是从人类头皮所收集到的重要脑电波记录。
在过去几十年中，大多数所引入的基于脑电图的情绪分类方法，均采用了传统机器学习技术，比如支持向量机(support vector machine)模型，因为这些模型需要的训练样本较少，并且大范围的脑电图数据集也较为缺乏。然而，研究者于近期编汇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启了新的可能，因为他们能够被用于深度学习模型的训练，从而获得比传统机器学习应用下更好的表现。然而不幸的是，这些数据集中脑电图信号的低分辨率使得训练深度学习模型相当困难。
开展这一研究的研究者之一，Sunhee Hwang，向TechXplore介绍道：“低分辨率问题是基于脑电图情绪分类的议题之一。我们目前想出了一个办法来解决这一问题，涉及了生成高分辨率的脑电波图像。”
为了提高可用的脑电图数据的分辨率，Hwang和她的同事首先在收集数据时使用电极坐标生成了所谓的“拓扑保留的差分熵特征”。随后，他们开发了卷积神经网络（CNN），使用更新的数据对其进行了训练，并教予该模型如何预测三种一般类型的情绪（即积极，中立和消极）。
（图片来源：Hwang等）
Hwang介绍道：“之前的方法多忽略了脑电图特征的拓扑信息，但是我们的方法通过学习生成的高分辨率脑电图图像从而提高了其展示效果。这一方法还通过提出了卷积神经网络对脑电图特征进行了重新分类，使得分类获得了更好的展示效果。”
研究者们在SEED数据集上对这一方法进行了训练与评价，这一数据集包含了62通道的脑电图信号。研究者们发现，他们的方法能够以90.41%的平均准确率对情绪进行分类，这一结果超出了针对基于脑电图情绪识别的其他机器学习技术。
Hwang补充介绍道：“如果脑电图信号是从不同的情绪片段中所记录，那么原始的差分熵特征则不能进行聚类。我们的这一方法还应用在估算驾驶员的警惕性上，以展示其现有的可用性。”
Hwang和她的同事提出的方法可能会为今后基于脑电图的新型情绪识别工具的开发提供信息，因为它引入了解决与脑电图数据分辨率低的相关问题的可行解决方案。相同的方法也可以应用于其他深度学习模型，以分析脑电图数据，甚至是人类情绪分类之外的模型。
Hwang继续介绍道：“对于计算机视觉任务而言，大规模的数据集使得针对图像分类的深度学习模型获得了巨大成功，其中有一些已经超过了人类的表现。并且，复杂的数据处理将不再是必须的一步。在今后的工作中，我们希望能够使用生成对抗网络(GAN)来生产大规模的脑电图数据集。”
作者：Ingrid Fadelli
翻译：汪亚及
审校：董子晨曦
引进来源：Tech Xplore
引进链接：https://techxplore.com/news/2019-12-deep-eeg-based-emotion-recognition.html
了解更多请登陆 配电柜厂家 http://3683.bidadk.com/
