[论文解读] Identifying Stable Patterns over Time for Emotion Recognition from EEG

Wei‐Long Zheng, Jiayi Zhu+1 more|arXiv (Cornell University)|Jan 10, 2016

EEG and Brain-Computer Interfaces参考文献 46被引用 55

一句话总结

本研究利用机器学习识别情绪识别中随时间保持稳定的EEG模式，展示了积极、中性和消极情绪的一致性神经表征。基于新型公开EEG数据集（SEED）和DEAP数据集，研究发现β/γ波段（外侧颞区）、α波段（顶叶/枕叶）以及δ/γ波段（前额叶）的区分性模式在会话内和会话间均保持稳定，在SEED数据集上达到91.07%的准确率，使用GELM方法实现79.28%的跨会话准确率。

ABSTRACT

In this paper, we investigate stable patterns of electroencephalogram (EEG) over time for emotion recognition using a machine learning approach. Up to now, various findings of activated patterns associated with different emotions have been reported. However, their stability over time has not been fully investigated yet. In this paper, we focus on identifying EEG stability in emotion recognition. To validate the efficiency of the machine learning algorithms used in this study, we systematically evaluate the performance of various popular feature extraction, feature selection, feature smoothing and pattern classification methods with the DEAP dataset and a newly developed dataset for this study. The experimental results indicate that stable patterns exhibit consistency across sessions; the lateral temporal areas activate more for positive emotion than negative one in beta and gamma bands; the neural patterns of neutral emotion have higher alpha responses at parietal and occipital sites; and for negative emotion, the neural patterns have significant higher delta responses at parietal and occipital sites and higher gamma responses at prefrontal sites. The performance of our emotion recognition system shows that the neural patterns are relatively stable within and between sessions.

研究动机与目标

• 研究不同情绪状态相关的EEG模式在重复会话中的时间稳定性。
• 开发一种新型公开EEG数据集（SEED），用于研究情绪识别随时间的稳定性。
• 系统评估特征提取、选择、平滑化及分类方法在情绪识别中的应用。
• 评估机器学习模型在无主体依赖和跨会话情绪识别设置下的性能与鲁棒性。
• 识别与积极、中性和消极情绪相关的一致性神经表征——特别是频率波段和脑区。

提出的方法

• 从45名参与者中收集新的EEG数据集（SEED），聚焦于使用音乐刺激诱发情绪，并公开该数据集以供稳定性分析。
• 应用时频分析（微分熵特征）从EEG信号中提取五个频率波段的情绪相关神经模式。
• 采用图正则化极限学习机（GELM）作为主要分类器，以增强判别能力与模型稳定性。
• 使用5折交叉验证进行跨会话和无主体依赖评估，以评估模型泛化能力与时间一致性。
• 使用特征选择和平滑化技术以减少噪声，提升模型在会话和受试者间的鲁棒性。
• 在DEAP和SEED数据集上对比多种特征提取、选择、平滑化与分类方法的组合。

实验结果

研究问题

• RQ1 针对同一受试者，与特定情绪相关的EEG模式在重复会话中是否保持稳定？
• RQ2 哪些脑区和频率波段在积极、中性和消极情绪中表现出一致的神经活动模式？
• RQ3 情绪识别模型在无主体依赖与有主体依赖设置下的性能有何差异？
• RQ4 在多个会话或受试者数据上训练的单一模型，能否有效泛化到新的、未见过的会话或受试者？
• RQ5 在时间上实现稳定情绪识别的最具判别性的EEG特征与机器学习方法是什么？

主要发现

• 积极情绪的神经模式在β和γ波段表现出外侧颞区更高的激活，相较于消极情绪。
• 中性情绪与顶叶和枕叶区域α波功率增加相关，表明其具有独特的神经表征。
• 消极情绪在顶叶和枕叶区域表现出显著更高的δ波功率，且前额叶区域γ活动增强。
• 所提出的基于GELM的模型在SEED数据集上使用5折交叉验证，平均分类准确率达到91.07%，表现出高度可靠性。
• 跨会话情绪识别性能达到79.28%的准确率，证实了所识别EEG模式在会话间的时序稳定性。
• 采用留一法的无主体依赖分类准确率达到60.93%，标准差为13.95%，表明尽管存在个体差异，仍具有中等泛化能力。