稀疏组lasso Granger 因果特征在脑电信号情感识别中的应用

"基于稀疏组lasso Granger 因果关系特征的脑电信号情感识别，通过提取脑区间的因果关系作为特征，利用稀疏组lasso算法筛选高相关特征，结合SVM进行情感分类，提高情感识别的准确性。" 这篇研究论文探讨了在脑电信号（EEG）情感识别领域的新方法，特别是在处理多维度脑区功能网络数据时的特征提取和选择策略。传统的特征提取方法通常聚焦于单一脑区的功能性网络，而本文提出了一种基于稀疏组lasso Granger 因果关系的新方法。Granger 因果关系是一种统计学工具，用于确定一个时间序列是否能预测另一个时间序列的未来变化，常用于分析复杂系统的动态交互。 首先，研究者从不同脑区之间的因果关系层面提取特征，针对每个受试者的不同脑电波段（如α、β、γ等），计算Granger因果特征值。这些特征值反映了不同脑区之间信息传递的强度和方向，有助于理解情绪状态下的大脑活动模式。 接着，引入稀疏组lasso算法对收集到的Granger因果特征值进行特征筛选。稀疏组lasso是一种在保持部分组内特征的同时，实现整体特征选择的优化方法，能够找出与情感分类高度相关的特征子集，从而降低模型复杂性并提高分类性能。 在特征筛选后，采用支持向量机（SVM）作为分类器进行情感分类。SVM因其强大的非线性分类能力，在许多机器学习任务中表现出色，特别适合处理高维复杂数据，如脑电信号。 为了进一步优化计算效率和模型性能，研究者还应用了过滤特征选择算法ReliefF来选取有效的脑电信号通道。这种方法能减少不必要的通道，降低计算时间复杂度，同时保持模型的准确性。 实验结果显示，该方法在Valence-Arousal二维情感模型上获得了较高的平均情感分类准确率，优于传统脑电特征提取方法。这表明，通过稀疏组lasso Granger因果特征，可以有效地识别和区分受试者的情感状态，对于情感识别技术的发展具有重要意义。 关键词包括：脑电信号(EEG)，情感识别，稀疏组lasso Granger因果特征，特征筛选，通道选择。此研究发表在《模式识别与人工智能》期刊2018年10月刊，是计算机科学领域，特别是人工智能和生物医学信号处理方向的重要贡献。