沙特国王大学学报IDEA：利用脑电信号进行情绪分析的智能数据库Vaishali M.作者：Joshi J.贡加德电子工程，Bharati Vidyapeeth（被认为是大学）工程学院，浦那411043，马哈拉施特拉邦，印度阿提奇莱因福奥文章历史记录：收到2020年2020年10月9日修订2020年10月9日接受2020年10月15日网上发售保留字：情绪脑电描记法修正微分熵双向长短时记忆A B S T R A C T利用脑电进行情绪识别是一种方便可靠的技术。基于脑电信号的情感检测研究在国防、航空航天、医学等领域有着广泛的应用前景。这种分析有助于理解心理的情绪状态。有两种方法来研究EEG分析被称为主题依赖和独立。本文提出了一种改进的微分熵（MD-DE）特征提取器，用于检测脑电信号的非线性和非高斯性。本文采用这两种方法进行脑电图分析自己生成的数据库命名为在这项工作中，双向长短期记忆（BiLSTM）网络和多层感知器（MLP）网络被用来分类的主题的情绪心理状态在'IDEA'数据库上，实现的受试者相关平均准确率为98.5%，受试者独立平均准确率为了证实准确度的提高，我们还在公开的SEED和DEAP数据库上应用了一种新的方法，即改进的微分熵和BiLSTM网络。该实验表明，使用MD-DE和BiLSTM网络的情感检测的平均准确率优于所建立的方法。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍每个人追求同样的情况不同，并以不同的方式处理它。情绪在处理情况时起着重要作用，因此对其进行深入和更准确的分析是非常必要的（Ansari-Asl等人，2007年）。情感分析是了解人在特定情境下的心理状态的必要手段。通过这样的分析，我们可以设计一个情感训练模型来帮助个人成长。因此，开发一个更准确的模型来预测情绪心理状态是非常重要的。世界各地的研究人员正在使用受试者依赖和独立的方法进行情绪分析。在受试者相关方法中，受试者自己的数据用于训练和测试目的。而在受试者独立方法中，最佳，正常，*通讯作者。电子邮件地址：joshivaishali7@gmail.com（V.M.Joshi）。沙特国王大学负责同行审查最坏的情况用于分析其他人。 简而言之，受试者独立方法独立于受试者。分析起来非常复杂作为情感产生的情感取决于许多因素，例如宗教、国家、性别、收入等级、人口统计学等。为了简化这一点，情感分析被分为两个模型，即离散的和维度的（Wang等人，2014年）。离散模型适用于各种心理状态，如喜悦，压力，热情，愤怒，平静，快乐，悲伤和愤怒。在离散模型中，各种情感属性被单独考虑和分析。尺寸模型使用数值表示在唤醒和效价量表上。然而，当情感的值非常接近时，维度模型的性能降低。在所提出的工作中，我们已经创建了名为“智能情感分析数据库（IDEA）”的数据库。该数据库是分析上的离散情感模型的主题依赖和独立的方法。'IDEA'数据库是广泛测试与不同的特征提取和分类方法。本文件分为六个部分。第一部分是引言。第二部分介绍了现有数据库的文献综述，建立了特征提取和分类方法。 第三节介绍了拟议工作的细节第四节会谈https://doi.org/10.1016/j.jksuci.2020.10.0071319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comV.M.乔希和RB。贡加德沙特国王大学学报4434关于取得的结果和结果的比较研究，与其他方法的实验方法。关于结果的讨论在第五节中提出结论性意见载于第六节。2. 文献调查2.1. 基于EEG的数据库在全球范围内，许多研究都是关于情绪分析的，并生成了各种数据集基于脑电信号的情感检测方法具有可靠性，因此研究者们将研究重点放在了基于脑电信号的情感分析上 （Savran等人， 2006）使用五个受试者的功能性近红外光谱（fNIRS）和EEG信号作为其数据库。他们将两种模式结合起来进行情绪分析。他们使用国际情感图片系统（IAPS）生成情感 （Lin等人， 2010）生成了26个受试者的数据库，并使用音乐诱导情感。他们记录了情绪状态和大脑活动。 15名受试者参加了这项运动。有15个大约4分钟的片段向每个参与者展示，以诱导积极的，消极的和中性的情绪。这个实验重复了三次，对相同的参与者保持一到两周的间隔，并对所有情绪使用相同的剪辑这是一个公开的数据库。（Koelstra等人，2011）使用32通道EEGBiosemi Active II系统开发了“使用生理信号进行情绪分析的数据库”（DEAP）。这也是一个开放的数据库。32名参与者观看了40段时长为1分钟的视频。 （Li等人，2019 a）使用64通道NeuroScan EEG系统创建了14个子脑的数据库。他们展示了各种各样的片段，并在受 试 者 的 头 脑 中 产 生 了 各 种 各 样 的 情 绪 （ Bos ， 2006 ） 使 用BraInquiry PET 2.0 EEG系统记录了5名受试者在观看图像和电影时的EEG（Katsigiannis和Ramzan，2017）创建了DREAMER：通过EEG和ECG信号进行情绪识别的数据库。23名受试者用EPOC无线头戴式脑电图仪记录受试者被要求在记录EEG信号的同时听音频和看视频。向前推进，（Song等人， 2019）创建了一个“多模态生理情感数据库”（MPED）。他们使用了一个离散的情感识别模型。采用 62 通 道 ESI NeuroScan 系 统 用 BIOPAC 系 统 记 录 呼 吸 模 式（RSP）、心电图（ECG）和皮肤电对于情绪检测，他们使用了23名受试者的EEG，GSR，RSP和ECG等四种生理信号。使用28个片段来创建七种情绪，例如喜悦、乐趣、愤怒、悲伤、厌恶、恐惧和神经质。（Duan等人，2013年）对6个主题进行了研究，并提供了12个片段，以唤起积极和消极的情绪。参与者年龄在22至24岁之间，男女各半。实验对每个参与者进行两次，间隔一周或更长时间。使用62通道ESI NeuroScan系统记录EEG许多研究人员已经研究了一个特定的状态，例如。（巴格达迪等人，2019年）提出了“DASPS：基于心理刺激的安纳托利亚州数据库”。他们与23名参与者一起工作，并使用无线EEG耳机记录EEG他们使用复杂的算术数字问题，并成功地在受试者的头脑中制造焦虑压力管理数据库由（ Kalas 和 Momin ，2016）使用来自10名参与者的8通道EEG系统生成。（Cai等人，2018）使用Pervasive 3电极EEG系统从213名患者中生成抑郁症检测数据库。情绪数据库研究的总结见表1。表1情绪数据库的摘要。Sr.号1234文章刺激模态使用的通道数3643232参会人数552632情感模型离散维情绪（Bos，2006年）（Savran等人，2006）（Lin等人，2010）（Koelstra等人，IAPS，IADSIAPS音乐视频EEGEEG，fNRIEEGEEG、眼电图（EOG）、肌电图（EMG）、GSR、RSP脑 电图脑电图、心电图效价，唤醒积 极 ， 消 极 ， 平 静 喜 悦 ， 愤怒，悲伤，快乐价，唤醒，喜欢5678（Duan等人，2013）（Zheng和Lu，2015）（Li等人，2 0 1 9 年a）（Katsigiannis和Ramzan，2017）（巴格达迪等人，2019）（Song等人，视 频视频626264146151423阳性，阴性阳性，阴性，中性阳性，阴性，中性效价、唤醒、支配离散维910数学任务视频EEGEEG、RSP、GSR、ECG14622323维离散效价，唤醒快乐，乐趣，愤怒，悲伤，恐惧，厌恶，中立阳性、阴性11提出音频，视频，数学任务EEG2414离散V.M.乔希和RB。贡加德沙特国王大学学报44352.2. 特征提取和分类方法脑电图示出了从大脑内的神经元活动生成的时空大脑数据（STBD）（Doborjeh等人，2018年）。情绪反应在不同的大脑区域中变化，因此有必要进行研究以找到更准确的特征提取和分类方法来研究来自EEG信号的时空数据（Li等人，2019年b）。尽管EEG信号对人类干扰是中性的，但通过电极分析大脑映射数据是极具挑战性的。研究者们采用不同的方法对基于脑电信号的情感检测进行了研究，提出了各种特征提取和分类模型来提高情感检测的准确性。（Duan等人，2013）对不同的脑节律（θ、α、β和γ）进行了实验。他们建立了自己的研究数据库，并采用了与学科相关的方法。他们使用了特征提取方法的组合，如微分熵（DE），微分不对称（DASM），有理不对称（RASM）和能量谱（ES）。他们使用支持向量机（SVM）分类器训练网络他们发现DE特征和伽马波段更适合于情感检测，并实现了84.25%的信号分类准确率。（Zheng和Lu，2015）使用深度信念网络（DBN）作为分类器以及PSD、DE、DASM和RASM特征提取器进行实验。他们专注于使用SEED数据库识别用于情感检测的突出频带。他们还专注于减少电极数量以简化分析。他们发现30- 45 Hz的伽马波段最合适。通过这个实验，他们在伽马波段上使用DE特征提取器实现了79.19%的平均准确率他们的研究结果还表明，更高数量的电极会产生无关数据，从而增加计算复杂性并降低识别准确性。（Pandey和Seeja，2019）使用深度神经网络（DNN）作为分类器，经验模式分解（EMD）和变分模式分解（VMD）作为特征提取器。他们使用独立于受试者的方法进行了一项实验。该研究基于公开可用的DEAP数据库。他们发现，使用DNN和VMD提取器，平均准确率可以达到61.9%。 （Li等人，2018a）使用SEED和DEAP公开可用的数据库进行研究。工作是基于支持向量机分类器和在DEAP数据库和SEED数据库上的平均准确率分别为59.06%和83.33%另一位研究人员（Song等人，2019）还生成了他们自己的数据库，称为他们使用了一种受试者依赖的方法。他们研究了功率谱密度、快速傅里叶变换（FFT）、Hjorth参数和希尔伯特-黄谱（HHS）特征提取方法，并使用支持向量机（SVM）、K-最近邻（KNN）和注意力长短记忆（A-LSTM）对情绪进行分类。他们得出的结论是，使用A-LSTM分类器的平均准确率可以达到78.79%。 （Li等人，2019 b）提出，使用DE提取和BiLSTM网络可以实现更高的性能。在这个实验中，他们使用了可公开获得的SEED数据库，并分别在伽马和β波段上实现了受试者依赖和独立方法的最大准确率为88.90%和74.85%。（Song等人， 2018）使用动态图卷积神经网络（DGCNN）分类器和DE，DASM，RASM和PSD特征提取器在五个EEG频带上工作。他们还使用了可公开获得的SEED数据库，并使用受试者依赖和独立的方法进行了实验。研究表明，DGCCN分类器在伽玛和β波段上的受试者依赖和独立方法的最高准确率分别为85.73%和56.39表2脑电电极与脑区相对应脑区电极名称额叶FP1、FP2、F3、F4、F7、F8，时间T3 T4 T5 T6枕骨O1、O2中央C3 C4顶骨P3、P4分别通过对现有研究工作的梳理，发现需要对现有的能够检测脑电信号非线性的特征提取器和能够学习时空特征的分类器做进一步的研究，从而达到更准确的情感检测结果。在进行基于EEG的情绪分析时，大脑区域起着至关重要的作用，因为大脑区域对不同的情绪有不同的反应。因此，空间信息对于情感识别非常有用。本文提出了一种具有修改版本的DE特征提取器和使用较少数量电极的BiLSTM网络分类器使用来自不同脑区的相应EEG信号来训练BiLSTM网络，并学习高级深度特征。这种结合最终导致了情感识别准确性的提高。3. 拟议工作本文主要从五个方面展开论述1. 创建自己的基于EEG的情绪数据库，包括压力、焦虑、快乐、愤怒、悲伤和平静。2. 情绪分析使用较少数量的电极，覆盖所有大脑区域，即额叶、颞叶、枕叶、中央和顶叶。这些区域负责识别不同的情绪。表2示出了对应于大脑区域的EEG电极。3. 研究现有的特征提取器，即Hjorth参数，PSD，RASM，DASM和DE。4. 提出了新的特征提取器5. 使用BiLSTM网络分类器学习空间和时间特征来分类情绪。所提出的情感分类方法如图1所示。战略是将工作流程分为四个阶段。第一阶段集中于数据库收集，第二阶段是预处理，第三阶段是特征提取，最后阶段是分类。3.1. 数据库3.1.1. 用于情感分析的很少有情感数据库可公开用于情感分析。用于诱导积极、消极和中性情绪的刺激是视听片段（Zheng和Lu，2015; Koelstra例如，2011）或心算数字（Baghdadi等人，2019年，因压力和焦虑。为了生成目标情感，两种方法中的任何一种都适用。可用的数据库通常使用更多数量的EEG通道来创建 在不同的日子进行积极和消极情绪EEG记录，以避免受试者头脑中残留情绪的影响。V.M.乔希和RB。贡加德沙特国王大学学报4436Fig. 1.拟定系统流程图。表3刺激和会话信息。节会议积极情绪刺激负面情绪刺激会话1会话2高兴高兴影片剪辑(1) 第1章先生您的位置：电驴大全>电影> The Curse of Mr.豆(2) 第二季第2集Mr. Bean Goes to Town(3) 第3章先生您的位置：电驴大全>电影> The Troublewith Mr.豆窘迫窘迫心理数学1级(1) 算术和逻辑运算(2) 三角函数和对数运算Level 2会话3开朗(4)憨豆先生第四季Mr. Bean Rides Again愤怒(1) 从15岁到30岁(2) 数字的平方和平方根(3) 数字的立方和立方根电影剪辑会议4开朗(1) 赫拉菲里(2) 3个白痴(3) Sarabhai vs. Sarabhai(4) Khichadi：The Movie愤怒(1)对CST站的恐怖袭击（2）对Cama医院的袭击|(3) 1993年孟买爆炸(4)泰姬酒店会议5会话6会议7Zest热情放松歌曲(1) 爱国歌曲：Vande Mataram(2) Aashayein：Aashayein(3) URI：Challa(4) URI：Manzar Hai YehNaya器乐(1)Allan Soderbergh：Moonview躁动不安悲伤影片剪辑(1) 塔雷·扎明帕尔(2) 余震中国(3) 黑色（4）Agneepath歌曲(1)Taare Zameen Par：Maa第八次放松(2) Marucs Winford：宁静(3) Andri Hart：太阳悲伤(2) Salil Kulkarni和Sandeep Khare：Damlelya Babachi hi Kahani tula(3) 别名：Tears in Heaven(4)Hariprasad Chaurasia：河流(4)《拜顿球场》（The Bayton Fields），SamGouthro：Stay3.1.2. 刺激“IDEA”数据库是为积极和消极情绪生成的。积极情绪又分为四个亚类，即高兴、愉快、热情和放松。这些情绪是在印地语和英语音频和视频剪辑的帮助下诱导的。负面情绪也分为四个子类，分别是痛苦、愤怒、不安和悲伤。压力和焦虑是在复杂的心理数学问题的帮助下诱发的。通过提供持续的负面反馈，参与者的思想受到了额外的压力。愤怒、不安和悲伤的情绪是在印地语和英语电影的音频视频剪辑的帮助下产生的。表3给出了具有目标情感的音频-视频剪辑的汇总。对于每种情绪，使用3至4个具有合适感觉的视频剪辑和歌曲。在实验中，随机播放相关的单个音频或视频片段以诱导目标情感。会话测试详情见图。 二、3.1.3. 科目14名受试者（8名男性和6名女性）通过进行实际EEG测试收集EEG数据选择的受试者是健康的大学生，没有任何神经或精神疾病史。平均年龄约为20岁，标准差为1.58。在选择受试者时，注意受试者具有正常或矫正正常视力。受试者被提前告知实验，范围和必要性。为了确保正确的情绪诱导，在不同的日子记录积极和消极情绪EEG。在实验开始之前，研究人员向受试者解释了V.M.乔希和RB。贡加德沙特国王大学学报4437图二. 实验程序。图三. 10试验的无害性和那些签署同意书的人被允许进行试验。对每名受试者进行40 min的实际记录。每个受试者的EEG记录了8次，每次5 min。受试者在每个片段开始前提前警告，以确保受试者专注于片段。每名受试者在每次会议后休息1分钟。这样做是为了确保在头脑中产生预期的情绪，并在测试中实现准确性。3.1.4. 测试设置Smt.印度浦那Kashibai Navale医学院和总医院为对受试者进行脑电图测试在EEG测试开始之前，伦理委员会已经批准了研究工作的测试。根据10-20国际电极放置系统，使用32电极记录仪和医疗保险系统（RMS）记录EEG，采样率为256 Hz。在32个电极中，24个电极用于EEG记录，其余电极用于EEG记录。图4a. 实验程序（观看剪辑的乐趣）。V.M.乔希和RB。贡加德沙特国王大学学报443800D1sd=d2ð Þ0sd20KK2¼Z7第二季8活动¼d2脑电信号的d2变异ð1Þ流动性：流动性10ð2Þd2 Xt的一阶导数的方差复杂性：复杂性通过以下等式进行评估：图4b. 实验程序（列表歌曲-放松）。复杂度2221d2=d2ð3Þ10电极用于EMG和ECG记录。这些EEG电极在位置FP 1、F7、T3、T5、F3、C3、P3、O1、A1、FP 2、F8、T4、T6、F4、C4、P4、O2、A2、FZ、CZ、PZ、OZ、PG 1、PG 2处附接到头皮，如图3所示。在临床专家授权技术人员的观察下进行记录。数据的正确性由一位超级专家神经学家验证眨眼，d2方差 Xt的二阶导数3.2.1.3. 微分熵（DE）。 微分熵（hf ）（Shi等人，2013）用于度量连续随机变量的熵。DE被图示为，1通过从数据中丢弃记录的受影响部分EEG信号是DE<$hfloge2ped2ð4Þ陷波滤波，以消除50 Hz的电力线干扰。然后将六阶巴特沃斯带通滤波器应用于原始EEG数据，以获得4-44 Hz范围内的频率。如图4a所示，高清晰度和良好质量的移动屏幕已经用于视频观看。和图4b.3.2. 特征提取人脑-计算机接口其中，d2 1/4EEG信号的方差，e =欧拉3.2.1.4. 微分和有理不对称（Duan等人，2013年）。微分不对称（DASM）由下式给出：DASM¼hf左-hf右5有理不对称性（RASM）由下式给出：RASM¼hf左=hf右6K K很大程度上取决于特征提取方法的选择。情感检测的准确性随所使用的特征提取方法而变化。在文献中陈述了几个特征（Wei等人，2020; Zheng和Lu，2015）。本文使用六个特征来评估情感检测的性能，即Hjorth参数、功率谱密度（PSD）、有理不对称性（RASM）、微分不对称性（DASM）、微分熵（DE）和修正微分熵（MD-DE）。这些方法是考虑到它们在各种文献中报道的准确度性能而选择的（Song等人，2019年; Wang等人，2019年）的报告。为了提高提取结果，对差分熵特征提取方法进行了改进。为了找到主导频带，频谱频率在带通滤波器的帮助下被分解。这些滤波器工作在不同的频率水平，并且被称为具有h= 4- 8Hz，a = 8-14 Hz，b = 1的频带的theta、alpha、beta和gamma4–30 EEG信号与小历元对于分析是有用的，因此为了获得具有50%重叠的1秒的小信号段，应用了汉宁窗。将不同时间步长的脑电信号进行拼接，形成新的特征。然后，在将特征提供给分类器之前，使用z分数归一化将特征归一化，以将数据缩放到零均值和单位方差。3.2.1. 现有要素3.2.1.1. 功率谱密度。功率谱密度（PSD）是不同频带上每单位时间的平均能量分布（Song等人， 2019年）的报告。3.2.1.2. Hjorth参数。 约特参数是统计学上的-其中hf在等式中示出。（4）k是对数。3.2.2. 修改的特征3.2.2.1. 基于四阶谱矩的修正微分熵。EEG信号是随机的，即非线性、非平稳和非高斯。高阶统计量是分析脑电信号非线性的有效方法。高阶统计用于表示随机过程的高阶统计属性，即高阶谱矩（Chua等人，2010年）。高阶矩是估计随机信号、检测相位细节和非线性属性的有效方法。短周期的脑电信号可以被断言为时间函数Xt。线性测量更容易在频域和时域中积分，因此微分方程的对数形式使用S形方程转换为线性形式（Hjorth，1970），从等式（4）、DE1log2ped2利用Sigmoid方程2019年12月21日让我们来看看信号处理中用于时域分析的结;这些）Z参数是活动性、流动性和复杂性（Hjorth，1970）。活性：通过以下等式评估活性：eDE1/1个月2V.M.乔希和RB。贡加德沙特国王大学学报44391/2000n2.Σþed2存储器单元的存储器20elogep2ped第0章121loge2ped2Z1条记录1条记录2条记录20Z¼1elogp2ped2q2ped21ð9Þð10Þð11Þsoftmax层和分类层。脑电数据是非线性的，随时间变化。为了捕捉这些变化，两个方向的依赖关系对于情感识别同样重要。BiLSTM网络有前向和后向LSTM网络。前向LSTM网络保留与过去到未来序列相关的信息，后向LSTM网络保留关于未来到过去序列的信息（Xie et al.，2018; Chakladar等人，2020年）。输入层提供时间序列数据。序列输入层的大小和输入数据的特征数相同。这些数据的分析和解释由BiLSTM层执行双向层学习时间序列数据的长期依赖关系，并将其传递给阶数为2 n的谱矩等于阶数为n的导数的方差d2（Hjorth，1973）。因此，在本发明中，下一个完全连接层。全连接层从双向层接收全连接层的大小为m0<$d2;m2<$d2;m4<$d2;m6<$d2················· <$d2ð12Þ等于班级的数量Softmax函数用于分类，0 1 2 3n使用四阶谱矩，因为它给出了关于EEG信号的期望细节。d2;d2···是Xt的一阶导数和二阶导数的变化量：代之以d21/4d21/4va r。d2Xtt= 1，（十一）fying标记输出在softmax层。在特征学习过程中，BiLSTM网络使用不同大脑区域的空间数据以及长期时间序列数据。在训练过程中，大脑位置之间的关系被学习并保存在权重矩阵中。BiLSTM网络有效地学习了时间和空间特征，并提供了更准确的分析，）Z¼10 2q2ped2q2p2dt2ð13Þ使用这些信息进行精确的情感分类。classi-Fification层有助于计算多类分类的交叉熵损失。LSTM网络由三个控制门组成，即输入门（it）、输出门（ot）、遗忘门（forgetgate）和输出门（o t）。当量公式（13）使用针对EEG信号的四阶谱矩的sigmoid方程给出了修正的微分熵（Z）。3.3. 分类方法3.3.1. 双向长短期记忆（BiLSTM）递归神经网络（RNN）在处理长序列时间序列数据时面临梯度耗尽的传统的LSTM网络已经解决了这些问题。 传统的LSTM网络只使用前向依赖，在数据处理过程中有机会过滤掉有用的信息。为了解决这些问题，BiLSTM网络进行了调整。 如图 5、BiLSTM网络由输入层、BiLSTM层、全连接层、选择（Wang等人，2020年）。控制栅极调节进出存储器单元的信息，并且存储器单元在任意时间间隔上保持信息。输入门（it）决定哪些值将被添加以形成新状态。itrgWiXtKiht-1bi14遗忘门ft决定需要从先前状态中移除以形成当前状态的值。ft ¼rg Wf Xt Kfht-1bf15输出门（ot）给出从当前状态移动到下一个状态的值otrgWoXtKoht-1bo16图五. BiLSTM网络架构。ZV.M.乔希和RB。贡加德沙特国王大学学报4440不¼¼¼ ω ð Þ¼ ω ð Þ¼ ω ð Þ¼ ω ð Þyð Þ ð Þ¼ωðÞðÞ¼ω¼rW！X！！！H快！TP中间单元状态C_t如下给出C_t<$tanhWc Xt Kcht-1bc17基于上述等式，在每次迭代t，存储单元输出Ct和隐藏层输出ht如下获得：Ct<$ftωCt-1itωC_t18htotωtanhCt19时间t时的Xt¼h t先前隐藏状态输出，C t先前存储单元输出。Wi、Wf、Wo和Wc可学习的输入权重矩阵（W）将隐藏层输入与三个门和输入单元状态一起连接。Ki、Kf、Ko和Kc可学习的递归权重矩阵（K）将过去的单元输出状态连接到输入单元状态和三个门。bi、bf、bo、bc、bh;以及by1/4偏置向量。rg¼门激活功能。tanh¼状态激活功能。隐藏层激活函数。BiLSTM层通过组合for-ward！ht和向后h←输出序列：th。Ihthht-1h← ←表5实现参数。参数值优化器Adam（自适应矩估计）平方梯度衰减因子0.999初始学习率0.001梯度衰减系数0.9隐藏单位2004.1. 性能测量所提出的方法的结果已经针对不同的测量值进行了验证，即准确度（Acc）、阳性预测值（PPV）、阴性预测值（NPV）、灵敏度（Sen）、特异性（Spe）、Matthews相关系数（MCC）、F1评分、kappa系数（Kp）和随机准确度（Ra）。这些测量值用混淆矩阵参数表示，如真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN），如表4所示。AccPalladiumTPPalladiumTNPalladium100 23TP聚乙烯吡咯烷酮10024公司简介净现值100 25中国台湾升TP斯佩琴琴10027TN系列FP系列ht¼rh.Wih<$Xt<$Wh <$h <$h <$ht-1<$bh<$<$21<$ðMCC¼TP×TN-FP×FN28Þ是的！h！htWh←y←htbyð22ÞPTPFPTPFNTNFPT NFNNFNF1-评分：1/2×PSVSen×PPVðð29Þ具有从输入到隐藏层的可学习权重矩阵。两个连续隐藏层（ht和ht-1）之间的可学习权重矩阵从隐藏层到输出层的Kp¼ Acc-Ra森ð30Þ4. 实验和结果拉�ð31Þ所提出的技术的结果进行了评估，使用两个不同的实验，即主题独立和依赖。在这个实验中，我们比较了两个分类器，即多层感知器（MLP）和BiLSTM网络的性能。PSD、Hjorth参数、DE、DASM、RASM和MD-DE的特征被用作MLP和BiLSTM网络分类器的输入。TP4.2. Hyper参数详情表5列出了BiLSTM网络中使用的参数。参数选择采用试凑法。提供最佳结果的参数用于分类过程。表4混淆矩阵。输出类目标类积极消极措施阳性True Positive TPFalse Positive FPPPV公司简介100TPNegativeFalseNegative FNTrueNegative TNNPV中国100TN测量传感器TPω100Spe¼T Nω100加速度TPω100TPTNTP2！Hð20ÞV.M.乔希和RB。贡加德沙特国王大学学报4441表6使用受试者独立实验进行性能比较。特征提取方法分类器准确度（%）和标准差F1评分和标准差Kappa系数和标准偏差H一BCH一BCH一BC功率谱密度BiLSTM72.1471.7973.9379.290.710.710.730.790.640.630.660.73（15.64）（14.91）（17.61）（14.05）（0.17）（0.15）（0.19）（0.14）（0.18）（0.18）（0.21）（0.18）MLP54.6456.4352.1451.790.540.560.520.510.430.450.400.40（16.75）（10.88）（11.59）（10.38）（0.09）（0.11）（0.12）（0.10）（0.10）（0.12）（0.12）（0.11）Hjorth参数BiLSTM64.6472.1467.8685.360.640.710.680.850.550.640.580.80（14.03）（11.50）（10.35）（4.88）（0.15）（0.12）（0.10）（0.05）（0.17）（0.14）（0.13）（0.07）MLP51.4357.555.0050.360.510.570.540.500.410.460.430.38（7.89）（8.90）（5.77）（8.35）（0.08）（0.09）（0.06）（0.08）（0.11）（0.10）（0.06）（0.09）微分熵BiLSTM68.5780.0071.2585.710.680.790.710.860.590.740.630.81（11.62）（15.51）（16.26）（8.63）（0.12）（0.17）（0.17）（0.09）（0.14）（0.19）（0.20）（0.12）MLP54.2155.7157.5051.790.540.550.560.520.420.440.460.40（4.72）（11.06）（9.79）（8.50）（0.05）（0.11）（0.10）（0.08）（0.05）（0.12）（0.11）（0.09）差分BiLSTM52.5059.6458.2168.570.520.580.570.680.410.490.470.59不对称（7.77）（7.56）（11.25）（13.53）（0.08）（0.10）（0.12）（0.14）（0.09）（0.08）（0.13）（0.16）MLP49.2958.9355.7152.860.490.580.550.510.370.480.440.41（7.18）（9.56）（5.35）（4.88）（0.07）（0.11）（0.05）（0.05）（0.07）（0.10）（0.06）（0.05）有理非对称BiLSTM70.7173.5770.7160.000.670.730.700.600.580.660.620.49（9.54）（12.65）（14.27）（5.77）（0.11）（0.14）（0.16）（0.06）（0.12）（0.15）（0.16）（0.07）MLP55.3653.9355.6352.860.550.530.550.520.440.420.440.41（5.67）（9.99）（5.54）（9.06）（0.07）（0.11）（0.06）（0.09）（0.06）（0.10）（0.06）（0.10）改进的差分BiLSTM70.3681.0774.2988.570.680.810.740.880.620.750.660.85熵（12.37）（9.56）（15.05）（8.76）（0.15）（0.11）（0.15）（0.09）（0.14）（0.12）（0.19）（0.12）MLP53.5748.9357.8652.860.530.490.570.520.420.370.470.41（6.90）（11.17）（10.84）（4.88）（0.07）（0.11）（0.11）（0.05）（0.07）（0.12）（0.12）（0.05）表7使用受试者相关实验进行性能比较。特征提取方法分类器准确度（%）F1评分Kappa系数MCC参数H一BCHaBCH一BCH一BC功率谱密度BiLSTM54.0057.0061.00850.530.570.61个单位0.850.430.460.500.8个单位0.280.320.360.72MLP54.0045.0050.0053.000.540.43零点四0.530.430.340.400.410.280.170.130.27Hjorth参数BiLSTM84.0088.5082.0088.000.840.880.82个单位0.880.790.850.760.84个单位0.700.780.670.77MLP48.0058.5058.0059.500.480.580.580.590.360.480.470.49个单位0.220.330.330.34微分熵BiLSTM81.5091.0087.5096.000.810.900.87个0.980.750.880.83零点九十六0.660.830.770.95MLP55.5056.5064.0063.500.530.560.64个单位0.630.450.450.540.530.280.310.400.40差分非对称BiLSTM55.5068.0063.5076.000.550.680.630.760.440.590.530.680.300.460.400.57MLP52.0068.5061.0056.000.520.680.60个单位0.560.400.590.50零点四五0.260.460.360.30有理非对称BiLSTM81.5093.0092.0078.000.810.930.92个单位0.780.760.910.890.710.660.860.850.60MLP556760.560.50.550.670.6个单位0.560.440.570.5 0.50.290.440.360.33修正微分熵BiLSTM86.0094.5088.5098.500.860.940.88个单位0.990.810.930.850.980.740.890.780.97MLP535464.5700.530.540.64个单位0.70.410.430.540.61个单位0.270.280.410.48V.M.乔希和RB。贡加德沙特国王大学学报4442图六、BiLSTM网络识别性能的混淆矩阵V.M.乔希和RB。贡加德沙特国王大学学报44434.3. IDEA数据库在主体无关实验中，采用了留一主体（LOSO）交叉验证方法来评估所提方法的脑电情感识别性能在LOSO交叉验证中，一个受试者的EEG数据用于测试，其他受试者的数据用于训练模型。通过一次性使用每个受试者数据作为测试数据来重复该过程对于六种类型的EEG特征和两个分类器的平均分类精度和标准差的计算。表6示出了针对c、b、a和h的受试者独立情感检测实验的性能。据观察，gamma（c）波段在情感分类中占主导地位，而BiLSTM网络的MD-DE特征比其他方法具有更好的性能。4.4. IDEA数据库上的主题相关实验对于情感检测模型，信号在其跨度上的一致性是必要的。在受试者依赖实验中，选取了10名受试者（5名阳性受试者和5名阴性受试者）的脑电数据进行情绪分析。如上所述，我们有40分钟的数据可与我们的每一个主题。 其中，20分钟的数据用于训练，剩余的用于测试。每个会话的每个受试者的五分钟数据被裁剪为每个受试者的EEG记录在8个会话中。第一次会议，3、5和7用于训练，会话2、4、6和8用于测试。在本实验中，共生成200个样本用于训练和测试目的。MD-DE的结果与PSD，DE，DASM，RASM和Hjorth参数的特征向量进行了比较每种方法的特征向量表7示出了受试者依赖情绪分析实验的表现从结果中可以看出，使用MD-DE与BiLSTM网络实现的结果还观察到伽马（c）带提供更准确的结果。图6（（a）-（b））示出了特征提取器MD-DE和DE使用其测试混淆矩阵用于受试者相关方法的性能。4.5. 基于IDEA数据库的离散情绪被试依赖实验在该实验中，每个受试者每次会话的5分钟EEG信号对于培训的高兴vs. 痛苦情绪，共25个样本的五个主题从会话1。出于测试目的，使用来自第2阶段的每个受试者的5个受试者的总共25个样本。同样的过程也会在cheerful vs. 愤怒，热情与不安，放松与悲伤。所有六种方法的特征提取过程如4.3和4
我的内容管理
展开
