基于自适应标签拖动的跨会话脑电情感识别及其性能研究

沙特国王大学学报基于自适应标签拖动的正交半监督回归的跨会话脑电情感识别沙天慧a，彭勇a，b，刘伟a杭州电子科技大学计算机科学与技术学院，浙江杭州310018b脑机协同智能浙江省重点实验室，杭州310018阿提奇莱因福奥文章历史记录：2022年11月11日收到2023年2月4日修订2023年3月21日接受2023年3月25日网上发售关键词：脑电图（EEG）情绪识别标签拖动正交半监督回归A B S T R A C T由于脑电信号具有时间分辨率高、可移植性好、成本低等优点，在情感识别中受到越来越多的关注。一直以来，最小二乘回归（LSR）被广泛应用于分类任务。然而，基于LSR的方法存在两个问题，这限制了其性能。第一个问题是LSR方法通常不能使EEG数据保留更多的判别信息。第二，对于多元情感分类，使用硬离散标签作 为 回 归 目 标 是 不 合 适 的 。 为 了 解 决 这 些 问 题 ， 我 们 开 发 了 正 交 半 监 督 回 归 与 自 适 应 标 签 拖 动 模 型（OSRLD）识别情感。OSRLD可以得到一个封闭的形式的解决方案，以较少的计算成本。在开放的SEED-IV数据集上的实验结果表明：1）与7种方法相比，OSRLD的平均分类准确率最高，分别为77.96%、80.20%和81.45%; 2）标签拖动技术通过修改每个样本的标签向量，有效地扩大了类间距离; 3）基于学习的变换矩阵，自动识别脑电主要频段和脑区，为简化脑电采集设备的硬件设计奠定了理论基础。版权所有2023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. 介绍情绪是一种复杂的心理状态，它反映在生理过程和身体行为上。情感识别是Picart（Picard，2001）提出的一个较新的研究课题，主要研究如何使计算机系统能够准确地处理、识别和理解人类的情感表达，以实现人机交互（Dadebayev et al.，2022年）。由于情绪通常无意识地和自发地发生，并且与诸如自然语言、身体姿势、面部表情等的其它数据模态相比，通常伴随着外围和中央神经系统中的生理反应*通讯作者：杭州电子科技大学计算机科学与技术学院，杭州310018。电子邮件地址：yongpeng@hdu.edu.cn（Y. Peng）。沙特国王大学负责同行审查直接参与情绪过程的脑电图（EEG）信号因其不可重复性而为我们提供了更可靠的数据源（Shu和Wang，2017; He等人，2020年）。因此，来自不同学术背景的研究对情绪识别感兴趣，并且它具有广泛的应用前景（Cai例如，2020; Halim和Rehan，2020）。如今，基于EEG的情感识别系统通常包括三个阶段（Quan等人，2021年）。首先，研究人员需要量化和建模情绪状态。目前广泛使用的情感量化模型主要有离散模型和维度模型。然后，使用图片、视频和音频来唤起健康受试者相应的情绪状态，同时通过佩戴EEG采集设备记录原始其次，需要对信号进行预处理，包括使用滤波器去除噪声和伪影以及提取特征。最后，选择适当的机器学习或深度学习算法，实时或离线识别受试者 近年来，研究人员已经开发了许多模型来识别情绪（Zhao等人，2021年; Shen等人， 2022年）。例如，在（Nour等人， 2021），EEG和NIRS信号用于训练优化的卷积神经网络（CNN），该网络在以下方面获得了显着改善：https://doi.org/10.1016/j.jksuci.2023.03.0141319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（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.comT. Sha和Y.鹏沙特国王大学学报140精度和稳定性。Zhang等人提出了一种用于学习EEG表示的半监督管道，该管道使用标记和未标记的数据进行基于EEG的情感分类（Zhang和Etemad，2021）。Yin等人提出了一种用于情感识别的长短期记忆（LSTM）和图卷积神经网络（GCNN）的融合模型（Yin等人，2021年）。其中，从每个特征立方体中，并行GCNN提取图域信息，而LSTM保留EEG通道之间关系的变化。尽管一些深度学习模型在准确性方面表现出色，但训练过程需要更长的时间，并且需要更多的数据来适应参数空间。此外，由于深度学习模型看起来更像一个黑盒子，因此很难评估中间过程并解释结果。在基于EEG的脑机接口领域，半监督学习模型通常优于其他机器学习算法。其主要原因是半监督模型充分利用了未标记和已标记的脑电数据，能够更好地捕捉数据特征。例如，在（彭例如，2022a），将EEG样本投影到子空间中，在学习的子空间中构建图，并使用标签传播来获得未标记样本的情绪状态。 在（Luo等人， 2021）提出的方法，通过将来自不同源主体的大量标记数据的隐域知识融入目标主体的特定模型中，提出了一种半监督的域自适应模型，以减少跨域分布差异，并在基于脑电的情感识别中取得了良好的效果。在（Dan等人，2021），基于EEG的情感识别的可靠性增加了可能性聚类促进半监督学习方法，它要求每个实例具有相同的标签成员值及其局部加权平均值。由于其时间分辨率高、操作简单、价格便宜和不易伪装的优点，使用EEG传感器收集EEG数据用于情感识别任务的情况已经增加（Wang等人，2020年）。然而，脑电信号是一种微弱且不稳定的信号，由于受试者不同、时间序列不同、采集环境不同等原因，传统方法在跨受试者（跨会话）识别任务中的有效性无法得到保证。由于其紧凑的结构和有效的结果，最小二乘回归经常应用于分类任务（Gui等人，2014年）。然而，现有的调查仍存在一定的局限性.一方面，为了使EEG数据保持更 多 的 统 计 和 结 构 细 节 ， 最 小 二 乘 回 归 可 能 仅 限 于 Stiefel 流 形（Zhang，2018）。换句话说，由于相关正交性，正交最小二乘回归在统计上优于岭回归。它能在正交投影子空间中保持更多的判别性质并避免平凡解。然而，由于正交约束下的目标函数是一个不平衡的正交Procrustes问题（Eldén，1999），因此找到理想的解是具有挑战性的。受先前研究的启发（Nie等人，2017），我们使用广义幂迭代（GPI）方法，并提出了一种有效的迭代方法来解决优化问题。另一方面，对于分类任务来说，使用硬离散标签作为回归目标。在随机调查中，二分类问题的最小二乘回归中的标签向量通常表示为+1/-1”，而在多分类问题中，通常采用one-hot形式编码来表示不同的情感标签。例如，如果样本的标签向量被硬编码为1，则来自不同变换类总是等于2p2p，这与保证金相矛盾，ory（Allwein等人，2000年）。来自不同类别的数据点之间的几何余量应尽可能大，以用于转换后的分类任务。Leski等人开发了误分类错误率的绝对和平方估计，以增加两类分类任务的类间分离（Leski，2003）。然而，这种技术可能不适用于多个分类任务。受这种增加类间分离度的准则的启发，本文引入了标签拖动技术来改进标签指示矩阵。这项技术将类标签信息显式地嵌入到我们提出的框架中。具体地说，通过使用Hadamard乘积矩阵，我们在原始LSR模型上添加了一项，以诱导不同类别的回归目标向相反的方向移动。该方法不仅适用于二分类任务，而且适用于多分类任务。在此基础上，本文提出了一种基于自适应标签拖动的正交半监督回归（OSRLD）模型用于跨会话脑电情感识别。本文提出了一种基于自适应标签拖动的正交半监督回归方法用于跨会话脑电情感识别。所提供的方法可以帮助EEG数据获得更多的统计和结构细节的子空间，利用正交约束。此外，限制投影矩阵的行是稀疏的入口的EEG特征选择能力。引入标签拖动技术学习软标签矩阵，根据软标签矩阵中每行我们使用矩阵的Hadamard乘积来组织这种技术，从而产生一种紧凑的模型形式，可以很好地将单到单的训练规则用于多类分类。除了提高情感识别的准确率外，我们还研究了学习变换子空间中的EEG情感激活模式我们可以评估每个脑电图特征维数是通过计算投影矩阵的归一化的2 -范数来确定的每个EEG特征都与相关频段和频道。因此，我们能够自动识别与情绪识别相关的关键EEG频带和大脑区域，这不仅揭示了有效效果是如何发生的，而且为工程师在创建可穿戴EEG采集设备时提供了理论指导。本文件其余部分的结构如下。第二节详细介绍了模型的建立和相应的优化过程。第三部分在公开的脑电数据集上进行了实验，验证了该方法的有效性，并对实验结果进行了分析。第4节给出了结论。符号。本文中的矩阵和向量用粗体的小写字母和小写字母表示。此外，论文中使用的符号见表1。2. 该方法2.1. 初步一组l个标记的EEG样本Xl1/4/2x1;x2;。 . . ;xl]2Rd×l，具有标号矩阵Yl1/2/y1;y2;.. ; y1] T2R1 × c和一组未标记的EEG样本，其标记矩阵Y1;y2;.. ;yu]T2Ru×c●●●T. Sha和Y.鹏沙特国王大学学报141TT2 22.乌伦 c¼2;2伊nFF-W; bF表1符号的描述符号描述ai矩阵A的第iaj矩阵A的第jj向量a的第j个元素i我矩阵A的第i行第j列元素kAk2;1jjAjj21¼PiqPA22.2.2. DLSRXiang等人提出了一种用于多类分类和特征选择的判别LSR的方法，以增强模型LSR的性能（Xiang等人， 2012年）。DLSR使用了一种技术-s-拖动的原理，以增加类之间的分隔，将类标签信息集成到框架LSR中。 的DLSR模型的公式是minjjXW1 b-Y-YMjjkjjW jj;2矩阵Hadamard积的一种新算子在半监督EEG情感分类任务中，组成EEG数据集XRd×n在这里，c代表情绪状态的数量，d是数据的维度。如果xi属于第j类，则Yij<$1在二进制向量yi2R1×c16i6l中。通过提供X1/4/2X1;Xu]和Yl，我们的目标是尽可能精确地预测YuOSRLD的总体框架如图1所示。在最小二乘回归的基础上，我们增加了两个改进。一方面，为了使脑电数据保持更好的统计性和结构细节，我们使用正交约束WT W I。另一方面，我们使用标签拖动技术来扩大不同类之间的距离。2.2. 相关模型W;b;MP0其中R是矩阵的Hadamard乘积的算子，M ^eij 2 R ×是非负的s-矩阵。这里，软标签矩阵Y 01/4 Y 1/4 Y1/4 M被替换为离散标签矩阵Y.由于约束MP0，对于假类，回归结果将小于1。而且，对于真类，回归结果应该大于1。因此，由于真类和假类之间的巨大距离，可以正确地对实例进行分类。然而，DLSR的框架只适用于监督学习任务，而不适用于半监督学习任务。2.2.3. FSORWu等人将监督正交回归算法（FSOR）引入特征选择，以使数据保持更多的统计和结构细节（Wu等人，2020年）。FSOR模型的建立如下minjjXTHW-1nb-Yjj2;W; b;HFð3Þ2.2.1. LSR岭回归由于其结构紧凑、结果有效而被广泛应用于分类任务中。对于c类分类任务，经典的监督最小二乘回归模型表示为minjj XT W 1n bT- Yjj2;1其中W 2Rd×c是变换矩阵，Y 2Rn×c是样本的标记矩阵，b Rc×1是偏倚。LSR的核心思想是减少硬离散标签矩阵和回归目标。然而，离散的标签矩阵限制了模型的灵活性，并严重影响了模型的性能，因为它是太刚性，以获得一个有用的转换矩阵W。s：t：WT W¼ Ic;hT 1d¼ 1;hP0其中HRd×d是对角线上有hθ中的新比例因子越大，特征就越重要2.3. 模型配方当传统的最小二乘回归用于半监督学习任务时，样本的标签矩阵Y是仅部分已知的变量。并且，在Y u上添加非负和行归一化约束，而不是直接使用标签矩阵Y（Nie等人，2016）可以帮助我们获得情感识别结果而无需后处理。为了更好地选择特征，在变换矩阵中采用了W（Nie等人， 2010年）。那么，问题可以表示为：Fig. 1. OSRLD的总体框架一T. Sha和Y.鹏沙特国王大学学报142¼-.jj -jj-jj¼-2×TT2--2.Σ—ðÞBijWWT xi- xj：F2;1Fi;jMP 0Fmin.jjXTW1nbT-Yjj2kjjWjj （c）beled样品。现在如果我们收集类别标签向量属于W; b; YuFs：t：YuP 0; Yu 1¼ 12; 1ð4Þ第二个分量，我们可以得到“1，0.7，0，0，0，0.1，0.1“。 这会导致二进制类分区，其中前两个数据其中，Y1/2Y1;Yu]和Yu被松弛为1/20;1]中的值。正则化参数k可用于测量W的稀疏程度。随着k值的增大，W的“2 ; 1 -范数”值很自然地要求在子空间W中具有满秩，即、rank_W_c，以获得具有封闭形式的解的结果。因此，我们使用正交约束WT W I来满足该满秩约束。通过引入正交约束，我们的模型可以实现流形结构。下面，我们从理论上展示正交约束的功能根据学习矩阵W，变换后的两个样本之间的欧几里得距离（表示为x^i和x^j）可以如下确定距离x^i;x^jjjx^i-x^jjj点被分成一个类，后六个数据点被分成不同的类。使用标签拖动后，标签向量将从"1，0.7，0，0，0，0.1，0.1，0.1“转换为"第11章 ，0：7，21 ，-e31 ，-e41 ，-e51 ，0：1-e61 ，0：1-e71 、0： 1e81 “. 由于所有e都是非负的，因此在数据点映射，这种方法可以帮助增加类之间的分离。设矩阵B2Y1Rn×c。这里，1是一个n矩阵的所有元素都等于1。B的每个元素可以根据其几何属性在某个方向上拖动。 也就是说，如果Yij1/4，Bij>0，这表明它沿正轴，而Bij0表示它在<负轴的方向通过在每个元素上使用标签拖动在此基础上，建立了OSRLD模型WT xiWT xjWT xixjQ.你知道吗？ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffi¼ð5ÞminjjX W-1b-Y-BMjjkjjW jj;以来WT W¼ I和W应该被充分等级，我们有我J我Js：t：WTW <$I;YuP0;Yu1<$1;MP0.ΣWTW<$W W-1<$I. 然后，我们有dist。x^;x^n^jjx-xjj，其中其中，M 伊杰2Rn×c是非负矩阵。与（6）相比，意味着根据投影矩阵W，相对距离样品之间的比率保持相同。因此，问题（4）可以扩展为：min.jjXTW1nbT-Yjj2kjjWjj：我们在（7）添加短语BM，这使得标签矩阵Y放宽至Y 0/4 Y B M，以增加类别之间的差额。2.4. 优化W; b;YuF2;1ð6Þ根据凸优化理论，s：t：WT W<$ Ic; YuP 0; Yu 1<$1在（6）中，对于离散标签矩阵Y1，有效地学习投影矩阵W以拟合类别标签矩阵Y过于严格。作为结果，该模型的灵活性受到限制，其分类精度显著降低（Zhang et al.，2014年）。为了增加类之间的分隔本文介绍了DLSR的s-drawing的扩展--drawing，介绍了从各个类驱动回归目标，向相反的方向移动。对于样本的标签向量yi，我们可以观察到，除了与第j类中的数据相对应的那些元素之外，所有元素都是零。对于标签向量y j 对于一个未标记的样本，我们知道所有元素的值都在1/20;1]。为了扩大回归类之间的差距（陈假设（7）是一个具有唯一最优解凸问题。在此，我们采用了一种更新一个变量，固定其他变量的迭代方法，可以有效地交替求解OSRLD的目标函数。下面，我们将更新规则。● 更新M。关于变量M的目标函数为minjjXTW1nbT-Y-BMjj2：08令P XT W1n bTYRn×c.然后，可以基于以下优化问题来解决问题（8例如，2012年），这些输出可以在两个相反的方向上远离移动。换句话说，对于正松弛变量，正样本的结果应该是ei，而负样本的输出应该是-ei。MP 0jjP- B MjjF：109根据矩阵的平方Frobenius范数的定义，kAk2/4PAij，问题（9）可以转化为n×c表2进一步解释了这项技术，其中报告了六个数据点包括四类中的三个标记样本和三个未标记样本。在第二列中，它表示样品所属的类别。在第三列中，标记样本的标签向量在前三行上示出，并且最后三行是未标记样本的预测标签向量表2标签拖动在四个类（所有eP0）的说明类别标签矢量y y使用标签拖动子问题因此，对于Mij，我们有最小Pij Mij2;10MijP0其中Pij和Bij是P的第i行和第j列元素，B. 问题（10）解决了X. Pij;0：11● 更新b。关于变量b的目标函数为X111/2;0;0;0]1/2-e11;-e12;-e13;-e14]minjjXTW1bT-Y-BMjj2：12X22x34x42半0;1;0;0]半0;0; 0;1]半：1;0：7;0：1;0：1]1/2-e21;1-e22;-e23;-e24]bnF½-e31;-e32;-e33;1e34]半0：1-e41;0： 7-e42;0： 1-e43;0： 1-e44]x53½0：1;0：2;0：6;0：1]½0：1-e51;0：2-e52;0：6-e53;0：1-e54]x64½0：1;0：2;0：1;0：6]½0：1-e6 1;0：2-e6 2;0：1-e6 3;0：6-e6 4]通过使目标函数的导数等于0，可以通过下式获得b的解：xi- xjW; Yu;b; M;Bð7ÞT. Sha和Y.鹏沙特国王大学学报143YÞTT2TTi2i¼nDC！！¼ω1/4 lim我！iw;e！ω;.Σ≈.Σ—ðÞ1/4lim¼ð þ øÞ2@jjwijj21/4limWT W¼IcF我们使用GPI算法来更新W，复杂度为¼2F11！T Tbn13nNie等人（Nie等人，2017年）。GPI算法总结在算法1中。最后，算法2给出了我们提出的OSRLD模型的完整过程的总结。● 更新你。关于变量Yu的目标函数为minjjXW1 b-BM-Yjj：14算法1. 广义幂迭代法nFYuP0;Yu 1¼ 1对于l16i6lu，问题（14）是独立的，因此我们可以输入：矩阵J2Rd×d和矩阵Q2Rd×c;将Yu按行分解，对于每个yi，我们有输出：矩阵W2Rd×c;1：随机初始化矩阵W并设置参数aminjjxWb-BM-yjj：15一个值，使eJ¼aId-J2Rd×d为正定I2yiP0;yi1¼ 1TTi矩阵;2：虽然不收敛做设m1/4 xi W1/ b-W 1/b M1/B，问题（15）等价于民美一2163： 将矩阵Z更新为Z^2eJW^2Q;yiP0;yi1¼ 1jj-jj 2：Þ4：使用紧凑奇异值计算USVT¼ ZZ上的一种分解方法，其中U2Rd×c，S2Rc×c，它是一个单纯形上的欧几里得投影，可以使用牛顿法和拉格朗日乘数法的组合来解决（Peng et al.， 2021年）。● 更新W。关于变量W的目标函数为V2Rc×c;5：通过WUVT更新W;6：结束，同时minjjXTW1nbT-Y-BMjj2k jjW jj：17WT W¼IcF2;1算法2. OSRLD的总体程序通过将b替换为（13），问题（17）可以改写为：minj jH.XTW-Y-BMjj2kjjWjj;1800万输入：数据矩阵XRd×n（d表示特征向量长度，n表示数据大小）;WT W¼IcF2;1正则化参数k;输出：矩阵W2Rd×c;标签矩阵Yu2Ru×c;其中H 1/4 I-11T 是中心矩阵。矩阵R公司简介 BM2Rn×c;X1：初始化随机W;标签矩阵Yu1/1Iu×c;Lim@jjWjj2;1¼lim@jjwijj21/1定心矩阵H ¼I不-N2Rn×n;wiwiω@wiwiwip@wi2wiwiω2：虽然不收敛做3：对于矩阵M的每个元素，通过等式（1）更新Mij（11）;4：通过等式更新b。wi wiω2@wiwi！wi2jjwijjωωjj2Dð19 Þ5： 对于i ¼ l; l 1;.. . ; n，解决问题（16）以更新Xi2第i行Y;Lim@TrW TDW@diijjwjj21/16：通过公式B^ 2 Y- 1n×c更新B;wi！wi;e！0@wi我wi！wi;e！0wi@wi7：通过算法1更新W;8：结束时1/4wlimω02diiw<$jjwiω其中D是在（21）中定义的。根据（19），两种常规-化项Tr WT DW和jjWjj21完全等价。那么，问题（18）转化为minj jH.XTW-Y-BMjj2kT r. 电话：+86-21-2222220这里，对角矩阵D2Rd×d的第i个对角元素为下面，我们提出了一个分析OSRLD使用大O符号的复杂性。首先，我们需要Ozuc计算你。接下来，步骤3和7占剩余步骤的大部分计算成本，因为其他步骤仅涉及简单的矩阵加法、减法和乘法运算。O.d2ntt代表迭代次数。那我们需要D1i12d21Ottomnc时间更新M。通常，在半监督交叉-二、 2qjjwijj2x;;.. . ;;Þ会话情感识别，我们有n u>d c。 我们定义T为最大迭代次数在我们的实现中，其中x无限接近于零，这可以避免W成为零矩阵，使（20）不可微。根据Equa-我们将T设为30，这可以确保算法足够收敛。因此，OSRLD的总体复杂性是2.2.2.2.2.2.2.2.2.2.2.2.2.2.2因此，问题（20）可以转化为：最小TrWT JW 2 WT Q;22WT W¼ I其中对称矩阵J <$XHX TkD <$S tkD2Rd×d和Q XHY B M Rd×c。为了更新具有正交约束的矩阵W并解决Stiefel流形（QPSM）上的这个二次问题，我们使用由jjiwωjj22T. Sha和Y.鹏沙特国王大学学报144O.d2nT d2ctTnc T。3. 实验3.1. 日期集SEED-IV（Zheng等人，2018）是上海交通大学发布的视频诱发公共脑电数据集。我们可以下载T. Sha和Y.鹏沙特国王大学学报145nonono.Σ2exp2！×¼半]！！！- -ð Þð ð ÞÞ1/4。你好。：它来 自 https://bcmi.sjtu.edu.cn/home/seed/seed-iv.html 。 在实验中，15名健康受试者观看了精心挑选的视频片段，这些视频片段具有诱发快乐、悲伤、恐惧和中立四种情绪状态的倾向。每名参与者在不同日期进行3次会议每个阶段包含24个试验。在每次试验中，参与者观看一个电影片段，六个电影片段对应一种情绪状态。在这项实验中，他们收集了受试者采样频率为1000 Hz。通过对脑电信号进行预处理，将原始脑电数据下采样至200 Hz，并使用带通滤波器去除伪影至175赫兹。然后，具有区分能量的能力的差分熵（DE）特征，DE具有区分低频能量和高频能量之间的EEG模式的平衡能力，并且在相关工作中已经证明，与情感分类任务中的传统频域特征相比，它是最可靠和准确的特征（Shi等人，2013;Duan等人，2013）在每个段内从五个频带提取，包括Delta（1 -3 Hz）、Theta（4-7 Hz）、Alpha（8- 13 Hz）、Beta（14-30 Hz）和Gamma（31-50 Hz）。DE特征被定义为算法和没有参数需要调整。对于DLSR和SDSSFS，参数从2 - 20; 2 -19;. ;220.对于EAGR和ASLCGLFS，这是半监督的基于图的方法，参数从10 - 3; 10 - 2;... ;103.在RLSR中，参数从2 - 20; 2 - 19;. . ;220.对于ORLSR，它在RLSR方法的基础上增加了正交约束，使变换后的EEG数据保持更多的3.3. 认可结果及分析在表4- 6中，我们显示了上述八个模型的SEED-IV识别结果（a1-a6分别对应于FSOR、DLSR、EAGR、RLSR、ORLSR、SDSSFS、ASLCGLFS、OSRLD）。最好的八个模型的准确性由粗体值示出。根据这些结果，我们得到以下启示。1) 显然，OSRLD在大多数情况下都达到了最佳的精度hXZfx lnf xdx并获得了最好的平均识别性能23X其中X是一个随机变量，fx是概率密度函数。假设EEG数据具有高斯分布Nl;r，则其微分熵为80.20%、81.45%，分别比第二名提高了3.25%、4.69%、3.29%。因此，我们得出结论，使用标签拖动来更正标签矩阵有利于获得更高的识别率hXZfxln1p2pr2x-l2R2ð24Þ精度2) DLSR的性能并没有很好地发挥作用。具体-1 ln 2 pr2VarX1 ln 2 pr222r22每个通道计算DE特征，我们可以得到62个值对应于62个EEG通道。因此，我们得到样品的维数为62 5 310。考虑到从两个不同会话中收集的EEG数据的可能分布，我们需要执行预处理。具体地说，通过映射相同的会话为0; 1，并减去样本平均值。表3列出了SEED-IV数据集的详细情况。3.2. 实验设置我们建立了基于SEED-IV的跨会话EEG情绪识别任务，以评估OSRLD的性能每个科目有三节课，因此有三个不同的跨会话情感分类任务，即：，session1 session2，session1会话3和会话23. 比如在‘session1为了验证OSRLD方法的有效性，我们将其与SEED-IV上的一些密切相关的方法进行了比较，包括FSOR（Wu等人，2020）、DLSR（Xiang等人，2012），EAGR（Wang例如， 2016）、RLSR（Chen等人， 2017），ORLSR，SDSSFS（Wang例如，2022）、ASLCGLFS（Lai等人，2022年）。对于FSOR，它是一个有监督的表3SEED-IV数据集的信息。项目内容#受试者15#电极62#特征维度310特征微分熵频带Delta;Theta;Alpha;Beta;Gamma情绪状态悲伤;恐惧;快乐;中性DLSR的平均准确率分别为67.54%，70.28%，71.17%对应于三个跨会话任务。COM-与FSOR算法相比，FSOR算法通过对投影矩阵施加正交限制，可以在子空间中保留更多的判别信息，减少冗余信息和噪声信息。 同样，ORLSR的平 均准确率 相对于 RLSR分别 提高了4.55%、4.13%、2.82%。因此，我们有理由相信，在投影矩阵中加入正交约束有利于提高识别精度。3) 通过比较RLSR和FSOR的识别准确率，前者在三个识别任务中分别提高了0.74%，1.1%，1.29%。这是由于FSOR模型在所选EEG特征子集中保留了大量冗余信息然而，RLSR结合了一个特征自加权变量，用来衡量不同特征在情感识别中的重要性。与EAGR相比，RLSR的性能分别提高了0.34%、1.91%、2.5%这说明锚点图的构造方法不足以表征数据相关性和捕获EEG样本的语义连接。4) 与RLSR相比，SDSSFS和ASLCGLFS的平均识别准确率高于RLSR。原因是SDSSFS是一种半监督回归算法，它也利用了扩展类间距离的思想。ASLCGLFS是一种基于图的半监督方法，通过最小化稀疏表示与原始数据的误差来学习更好的相似性矩阵。为了验证我们提出的模型与其他模型的显著不同，下面我们对OSRLD和其他比较模型获得的实验结果进行了单因素方差分析（ANOVA）。每个模型包括45个识别;Þ与其他七种型号相比具体来说，OSRLD在三个跨会话任务上的平均准确率为77.96%，T. Sha和Y.鹏沙特国王大学学报146表4在“会话1！session2任务。主题A1A2A3A4A5A6A7A8sub144.7155.3346.1555.6558.0553.6164.1859.98sub282.8189.0684.8689.1890.1491.2391.7192.31sub371.5161.0666.5969.7171.6367.7978.7371.88sub460.2261.9070.5568.3962.6270.5577.5269.59sub562.1467.7960.7067.6767.0768.3965.0269.83Sub677.5270.5564.4271.0386.6670.5581.2587.86sub774.4075.4872.6080.7778.7380.7791.5982.33sub871.8862.8673.9269.9574.2870.4375.2479.93sub966.8367.0777.2878.7374.0479.0972.0079.45亚1054.8168.2765.7553.8562.3855.8969.9571.51sub1164.1849.2851.2152.0465.3852.0456.6172.00sub1263.5855.1767.4353.1374.1670.6765.9978.97sub1365.9967.5566.8368.6371.8869.5966.4773.92亚1476.9268.1574.7676.9276.6874.7668.1581.25亚1594.2393.6391.7187.1497.3697.3696.2398.56Avg.68.7867.5469.1869.5274.0771.5174.7177.96表5在“会话1！session3任务。主题A1A2A3A4A5A6A7A8sub175.5574.4568.3770.6874.2170.1964.7276.76sub279.9379.6883.3389.2987.4784.4383.3390.02sub340.8843.5560.1048.7853.8945.5059.7364.84sub461.6865.6964.7271.1769.5979.3280.2971.90sub568.0068.7370.9258.3972.7574.5775.4378.59Sub679.0879.5669.4683.4576.0382.2477.9881.51sub789.0588.6979.5688.4491.1284.9187.1097.45sub888.2080.1778.4780.7882.3679.6876.2887.35sub950.7354.7458.7662.7765.5763.5068.0072.99亚1058.2748.9163.7549.6468.3749.6464.2376.89sub1178.3571.9062.6571.1773.3670.6869.2281.63sub1254.0157.0656.5765.4568.1366.7966.6770.92sub1358.6454.9960.5862.4175.9161.3173.1176.16亚1485.4080.1783.2182.8587.5982.7378.2285.77亚1586.3783.8281.6385.4086.3785.4084.4390.27Avg.70.2868.8169.4771.3875.5172.0673.9280.20表6在“session2！session3任务。主题A1A2A3A4A5A6A7A8sub157.7961.9267.5262.6568.8661.6864.6071.41sub288.5685.5986.9883.2190.6386.7486.1392.46sub370.8067.0365.9467.2768.9868.9871.7871.90sub480.7875.9179.0880.1777.4989.5478.8381.51sub583.7076.7683.4572.8783.5877.9880.5485.77Sub678.9578.3566.5583.7085.1692.7083.3384.55sub781.8781.1480.0588.5681.1489.7889.0589.05sub873.4874.7077.3782.9779.5680.4176.5278.71sub959.8552.0759.7361.8074.4558.3969.8380.05亚1070.6867.0366.1878.3569.7178.3574.5776.64sub1158.8856.2067.6459.4966.6773.6076.1677.49sub1278.7166.3057.5463.6374.5770.3280.1781.14sub1354.1451.7062.4164.4868.0062.1761.8070.19亚1484.6786.8682.8587.1090.1587.1089.1790.88亚1583.9485.6485.4089.9089.5493.0789.9090.02Avg.73.7971.1772.5875.0877.9078.0578.1681.45这是因为在每个会话中有15个识别准确度对应于15个受试者，如表4-6所示使用方差分析的目的是评估识别是否准确。模型的性质是有区别的。方差分析的零假设是不同模型对应的这些结果组的均值相等。表7显示了由表7OSRLD和其他模型之间的方差分析（ANOVA）（** p值0： 01，* p值0： 05）。<

下载后可阅读完整内容，剩余1页未读，立即下载