REFS: 具有缺失多维标注的鲁棒 EEG 特征选择用于情感识别.pdfVIP

REFS:具有缺失多维标注的鲁棒EEG特征选择用于情感识别

XueyuanXu*,WenjiaDong,FulinWei,LiZhuo

SchoolofInformationScienceandTechnology,BeijingUniversityofTechnology,Beijing100124,

China

SchoolofArtificialIntelligence,AnhuiUniversity,Beijing100124,China

{xxy,zhuoli}@,weifulin@

Abstract

情感脑机接口是情感交互和情绪智能的关键技术，已经

成为人机交互领域一个重要的研究方向。与单一类型特

征相比，多类型EEG特征提供了多层次的表示方法来分

本析多维情感。然而，多类型EEG特征的高维度性以及相

译对较少的高质量EEG样本数量带来了诸如分类器过拟

合和实时性能不佳等挑战，在多维情绪识别中尤为突出。

中此外，由于采集环境的开放性质和个人情绪感知的模糊

1性和变异性，情感脑机接口的实际应用经常遇到多维情

v绪标签的部分缺失问题。为了解决这些问题，本研究提

3出了一种新颖的针对缺失多维情绪识别的EEG特征选

3

9择方法。该方法利用自适应正交非负矩阵分解通过二阶

5和高阶相关性重构多维情绪标签空间，这可以减少缺失

0.值和异常值对标签重构的负面影响。同时，它采用基于图1:情感BCI应用的一个示例，以及两个挑战：（1）

8图的流形学习正则化和支持全局特征冗余最小化的最小由于采集环境的开放性而导致的不完整多维情绪标签，

0二乘回归来实现即使在信息缺失的情况下也能进行EEG

5以及个体情绪感知中的模糊性和变异性；（2）多种类型

2特征子集选择，最终实现稳健的基于EEG的多维情绪EEG特征的高维度和相对较少的样本数量导致了维度

:识别。在广泛使用的三个多维情感数据集DREAMER、

vDEAP和HDED上的模拟实验表明，所提出的方法在灾难问题。

i

xEEG情绪特征选择的鲁棒性方面优于十三种先进的特

r

a征选择方法。

2024;Liuetal.2024)。包括差熵、功能连接性和绝对功

率等多种EEG特征提取方法已被用于分析EEG记录

介绍

的非平稳性和非线性特性，从而有助于精确的情绪状态

基于描绘情感的策略，情绪表示模型可以大致分为识别。

两类：离散情绪模型和多维情绪模型。与离散情绪模型可用的用于情感计算的传感器数量正在由于EEG

相比，多维情绪模型提供了更广泛的性格描述，并且能采集设备的进步而快速增长，从而导致从这些电极中衍

够描述情绪状态的发展(EzzameliandMahersia2023)。生出大量的特征(Wang,Wu,andYao2020)。然而，鉴

脑电图（EEG）是一种非侵入性技术，用于监测神经活于高质量EEG实例相对较少，这些特征经常变得高维，

动并能快速响应多种情绪状态(Yangetal.2024;Zhang,并可能包含冗余、无用或干扰信息，这可能会显著损害

Zhong,andLiu2024)。最近，基于EEG的情感脑机接情绪状态识别性能(Wangetal.2020;Xuetal.2023)。

口(a-BCI)系统因其高时间