基于深度压缩感知的脑电情感识别.pdf
《基于深度压缩感知的脑电情感识别.pdf》由会员分享,可在线阅读,更多相关《基于深度压缩感知的脑电情感识别.pdf(7页珍藏版)》请在咨信网上搜索。
1、第5 4卷 第5期2 0 2 3年9月 太原理工大学学报J OUR NA L O F T A I YUAN UN I V E R S I T Y O F T E CHNO L OG Y V o l.5 4 N o.5 S e p.2 0 2 3 引文格式:冯金鑫,张雪英,张静,等.基于深度压缩感知的脑电情感识别J.太原理工大学学报,2 0 2 3,5 4(5):7 8 9-7 9 5.F E N G J i n x i n,Z HAN G X u e y i n g,Z HANG J i n g,e t a l.E E G e m o t i o n r e c o g n i t i o n
2、 b a s e d o n d e e p c o m p r e s s e d s e n s-i n gJ.J o u r n a l o f T a i y u a n U n i v e r s i t y o f T e c h n o l o g y,2 0 2 3,5 4(5):7 8 9-7 9 5.收稿日期:2 0 2 1-1 1-1 5;修回日期:2 0 2 2-0 1-2 5 基金项目:山西省回国留学人员科研资助项目(HG KY 2 0 1 9 0 2 5);山西省研究生教育创新计划项目(2 0 2 0 B Y 1 3 0)第一作者:冯金鑫(1 9 9 5-),硕士研
3、究生,(E-m a i l)1 7 4 7 5 4 9 1 7 3q q.c o m 通信作者:张雪英(1 9 6 4-),博士,教授,主要从事压缩感知、脑电情感识方面的研究,(E-m a i l)t y z h a n g x y 1 6 3.c o m基于深度压缩感知的脑电情感识别冯金鑫,张雪英,张 静,陈桂军,黄丽霞,王夙喆(太原理工大学 信息与计算机学院,山西 晋中 0 3 0 6 0 0)摘 要:【目的】传统压缩感知中存在观测矩阵对信号适应性和重构算法对字典依赖性的问题,深度压缩感知则利用深度学习的方法解决传统压缩感知中存在的问题。【方法】利用深度信念网络(D B N)能够在不破坏观
4、测矩阵随机性的前提下对信号进行自适应压缩,同时利用栈式自编码器(S A E)可以端到端地训练重构网络来摆脱重构算法对稀疏字典的依赖性,根据信号的稀疏表示中所具有的判别性,提出基于D B N和S A E的压缩感知识别模型(C S-D B N-S A E)。【结果】在D E A P情感脑电数据库上的四分类实验结果表明,C S-D B N-S A E模型的识别率达到8 3.2 9%,相比于传统压缩感知识别模型均取得了4.3%以上的提升。关键词:压缩感知;深度信念网络;栈式自编码器;脑电信号;情感识别中图分类号:T P 3 9 1 文献标识码:AD O I:1 0.1 6 3 5 5/j.t y u
5、t.1 0 0 7-9 4 3 2.2 0 2 3.0 5.0 0 5 文章编号:1 0 0 7-9 4 3 2(2 0 2 3)0 5-0 7 8 9-0 7E E G E m o t i o n R e c o g n i t i o n B a s e d o n D e e p C o m p r e s s e d S e n s i n gF E N G J i n x i n,Z H A N G X u e y i n g,Z H A N G J i n g,C H E N G u i j u n,H U A N G L i x i a WA N G S u z h e(C o
6、l l e g e o f I n f o r m a t i o n a n d C o mp u t e r,T a i y u a n U n i v e r s i t y o f T e c h n o l o g y,J i n z h o n g 0 3 0 6 0 0,C h i n a)A b s t r a c t:【P u r p o s e s】D e e p c o m p r e s s e d s e n s i n g i s t h e u s e o f d e e p l e a r n i n g t o s o l v e t h e p r o b-
7、l e m s e x i s t i n g i n t r a d i t i o n a l c o m p r e s s e d s e n s i n g,s u c h a s t h e a d a p t a b i l i t y o f o b s e r v a t i o n m a t r i x t o t r a d i t i o n a l s i g n a l c o m p r e s s i o n a n d t h e d e p e n d e n c y o n d i c t i o n a r y b y r e c o n s t r
8、u c t i o n a l g o r i t h m.【M e t h o d s】I n t h i s p a p e r,t h e d e e p b e l i e f n e t w o r k(D B N)i s u s e d t o a d a p t i v e l y c o m p r e s s t h e s i g n a l w i t h o u t d e s t r o y i n g t h e r a n d o m n e s s o f o b s e r v a t i o n m a t r i x.A t t h e s a m e t
9、 i m e,t h e s t a c k e d a u t o e n c o d e r(S A E)i s u s e d t o t r a i n t h e r e c o n s t r u c t i o n n e t w o r k e n d-t o-e n d t o g e t r i d o f t h e d e p e n d e n c e o f t h e r e c o n s t r u c t i o n a l g o r i t h m o n s p a r s e d i c t i o n a r y.A c c o r d i n g
10、 t o t h e d i s c r i m i n a t i o n o f t h e s p a r s e r e p r e s e n t a t i o n o f s i g n a l,a c o m p r e s s e d s e n s i n g r e c o g n i t i o n m o d e l b a s e d o n D B N a n d S A E i s p r o p o s e d(C S-D B N-S A E).【F i n d i n g s】T h e r e s u l t s o f f o u r c l a s s
11、 i f i c a t i o n e x p e r i m e n t s o n D E A P e m o t i o n a l E E G d a t a b a s e s h o w t h a t t h e r e c o g n i t i o n r a t e o f C S-D B N-S A E m o d e l i s 8 3.2 9%,w h i c h i s o v e n 4.3%h i g h e r t h a n t h a t o f t r a d i t i o n a l c o m p r e s s e d s e n s i n
12、g r e c o g n i t i o n m o d e l.K e y w o r d s:c o m p r e s s e d s e n s i n g;d e e p b e l i e f n e t w o r k;s t a c k e d a u t o e n c o d e r;E E G s i g n a l;e m o t i o n r e c o g n i t i o n 脑电(e l e c t r o e n c e p h a l o g r a m,E E G)信号是一种生理电信号,它是由人的自主神经系统控制产生的,不受人的社会因素影响,更能客观
13、真实地反映情感状态,被广泛应用于情感识别研究中1-2。在脑电情感识别研究中,识别模型的选择对最终的情感分类有着至关重要的影响。压缩感知(c o m p r e s s e d s e n s-i n g,C S)技术3-4作为近年来兴起的一种信号处理技术,具有远低于奈奎斯特采样频率的特点,广泛应用于数据量较大的影像传输和目标识别等领域5-6,但在脑电情感识别领域的应用鲜有报道。脑电信号存在信息冗余大、耗费存储空间的特点,使用压缩感知能够对其进行压缩存储处理,可提高脑电信号在实际中的应用效率。本文将研究利用压缩感知对脑电信号进行情感识别。压缩感知在信号的稀疏表示中存在良好的判别性,近年来出现了一
14、些基于压缩感知的识别模型。如文献7 基于压缩感知理论提出了一种基于稀疏表示的人脸表情识别方法,在噪声为6 0%的情况下,识别率仍然保持在9 0%左右;文献8 将压缩感知应用于语音情感识别领域,研究了基于压缩感知的语音情感识别算法,结果表明该方法具有鲁棒性,在信噪比很低时,仍具有较高的识别率;张雪英课题组前期发表的文献9 基于压缩感知的情感识别模型,利用脑电与语音的融合特征进行识别,结果达到了9 1.7 7%,相 比 于S VM、B P算 法 分 别 提 高 了8.0 1%和1 0.0 0%.这些算法证明了压缩感知用于识别模型的可行性和有效性。压缩感知技术的核心问题是观测矩阵的设计和重构算法的选
15、择。在观测矩阵的设计上,常用的随机观测矩阵虽然能够很大概率地恢复原始信号,却不能保证每次生成的矩阵都能适应信号的特性,造成对信号表征能力的不足1 0-1 1。在重构算法的选择上,普遍使用的贪婪迭代算法由于稀疏字典的不唯一性,造成信号的重构性能很大程度上依赖于字典1 2-1 3。随着深度学习理论的发展及其应用领域的扩展,本文尝试将深度学习思想与压缩感知相结合,克服现有识别模型存在表征能力不足和字典依赖的问题。深度信念网络(d e e p b e l i e f n e t w o r k,D B N)用于非监督学习时,具有在降低特征维度的同时,尽可能多地保留原始特征信息的特点。因此,利用D B
16、N自适应训练压缩感知的观测矩阵,将传统的随机观测矩阵转变为自适应的测量网络,能够提高信号的表征能力。栈式自编码器(s t a c k e d a u t o e n c o d e r,S A E)是由自编码器堆叠而成的网络模型,可以通过捕捉特征间的统计依赖,利用端到端的重构网络对信号进行重构,能够摆脱字典的依赖,提高信号的重构精度,进而达到改善识别性能的目的。基于上述分析,本文提出了基于D B N和S A E的压缩感知识别模型(C S-D B N-S A E),将深度学习与压缩感知有机结合,利用训练集中样本的类别信息,根据信号在不同类别下的重建精度对信号进行分类。在D E A P脑电数据库上
17、,使用该模型对情感进行四分类实验,识别率为8 3.2 9%,相比于传统压缩感知识别模型有4.3%的提升,验证了该模型的有效性。1 结合深度神经网络设计观测矩阵和重构算法1.1 压缩感知基本理论压缩感知是通过利用信号间的稀疏特性,用远低于奈奎斯特的采样率对信号进行离散采样,最后通过非线性重建算法对其进行精确恢复的过程。其原理如图1所示。重构信号原始信号 x稀疏变换Tx观测得到的 M 维向量yx图1 压缩感知原理F i g.1 P r i n c i p l e o f c o m p r e s s e d s e n s i n g对于信号x=x(n),n1,2,N 的N维离散样本,由信号估计
18、理论可知,信号x可由一组标准正交基=1,2,N 线性表示,即x=Nk=1kk=.(1)其中,为信号x在正交基下的线性表示,k1,2,N,当中有且仅有K(KN)个非零值时,则认为信号x在正交矩阵下是K稀疏的。压缩感知理论表明,对于一个稀疏信号或在某个变换基下稀疏的信号,可以由观测值y进行不失真恢复。观测值y可以通过公式(2)计算得到。y=Tx.(2)其中为MN(MN)的观测矩阵,C AN D E S e t a l证明了要使信号精确重构,观测矩阵必须满足限制等距特性(r e s t r i c t e d i s o m e t r y p r o p e r t y,R I P)条件,即(1-
19、K)x22 x22(1+K)x22.(3)对于给定的测量矩阵和稀疏信号x,存在最小常数K使之满足公式(3)的形式,则称测量矩阵具备K阶R I P性质1 4。由于证明信号满足R I P性质较为困难,研究者们推导出R I P性质与相关性097太 原 理 工 大 学 学 报 第5 4卷 之间的关系为:K(K-1)(),其中()为矩阵的最大相关性参数1 5。由此可知当矩阵相关性足够小时,矩阵满足限制等距常数的R I P性质,此时信号x可通过一些重构算法由观测值y精确重构。因此,压缩感知技术的核心问题是观测矩阵的设计和重构算法的选择。1.2 D B N自适应训练压缩感知的观测矩阵设计D B N是由受限
20、玻尔兹曼机(r e s t r i c t e d b o l t z-m a n n m a c h i n e s,R BM)构成。R BM的结构如图2所示,由可见层v和隐含层h对称连接的神经元组成,且各层内部之间没有连接。因此,在给定所有可见单元值v的情况下,能同时并行地计算整个隐含层单元h的取值且各单元之间互不干扰。D B N网络既能用于监督学习,也可以用于无监督学习。通常其被用于无监督学习时,是为了在特征降维的同时最大程度地保留原始特征的信息。b3h3b2h2b1h1bmhmana3vnv3a2v2a1v1隐含层 h可见层 vwmn图2 R BM结构F i g.2 R BM s t
21、r u c t u r e传统压缩感知中通常选用随机矩阵作为压缩感知的观测矩阵,忽视了信号自身所具有的特性,造成信号的表征能力不足。D B N能够根据信号自身特性训练观测网络,并且网络参数的初始值服从高斯随机分布,所以其在很大程度上满足R I P特性。因此利用D B N自适应训练压缩感知的观测矩阵,将传统的线性高斯随机矩阵转变为自适应的非线性观测网络,能够提高信号的表征能力。本文利用D B N的无监督学习对信号进行自适应压缩。通过对网络参数的寻优,最终确定D B N的网络参数如表1所示。表1 D B N参数设置T a b l e 1 D B N p a r a m e t e r s e t
22、t i n g s网络训练参数参数值神经元数目(2 7 0,8 1)学习率0.0 1b a t c h-s i z e1 0 0e p o c h2 0 0激活函数s i g m o i d1.3 S A E训练生成压缩感知的重构算法S A E是由自编码器堆叠而成,自编码器的结构如图3所示,包括输入层、隐含层和输出层。由输入层到隐含层的过程称之为编码,从隐含层到输出层的过程为解码。训练时,利用输入层的数据h(1)1、h(1)2、h(1)3和h(1)4作为自编码器的监督来对自编码器进行训练,待其训练完成后,丢弃输出层就形成了一个只含有输入层和隐含层且能够对数据进行压缩的编码器,反之则构成一个解码
23、器。h1(2)h2(2)h3(2)h4(1)h3(1)h2(1)h1(1)h1(1)h2(1)h3(1)h4(1)+1+1输入层隐含层输出层图3 自编码器结构F i g.3 S e l f e n c o d i n g s t r u c t u r e在传统压 缩感知中,正 交匹配追踪 算法(o r-t h o g o n a l m a t c h i n g p u r s u i t,OMP)是目前使用最广泛的重构算法,该算法首先构造信号的稀疏字典,然后选择每次迭代过程中与当前残差相关度最高的原子并进行正交化处理,最后利用选出的原子对信号进行重构。基于OMP算法的改进算法有稀疏度自适
24、应 匹 配 追 踪 算 法(s p a r s i t y a d a p t i v e m a t c h i n g p u r s u i t,S AMP)和变步长稀疏度自适应匹配追踪算法(v a r i a b l e s t e p s i z e s p a r s i t y a d a p t i v e m a t c h i n g p u r s u i t,V s s S AMP)。这些算法在对信号的重构过程中是根据稀疏字典中原子与信号的匹配程度来对信号进行重构,但是对于某一确定信号的稀疏字典是不唯一的,因此信号的重构精度在很大程度上依赖于稀疏字典的选择。S A E可
25、以通过捕捉特征间的统计依赖,利用端到端训练的重构网络对信号进行重构,从而摆脱稀疏字典的限制,提高重构精度。S A E的训练过程可以划分为预训练和微调两个阶段,预训练是将S A E划分为独立的自编码器,按自编码器的训练方法逐个进行训练,直到将S A E中所有自编码器训练完成;微调是指将数据标签作为整个网络的监督,对S A E网络中的预训练参数进行微调。在使用S A E重构网络作为压缩感知的重构模型时,通过对S A E网络参数的寻优,最终确定网络的参数值如表2所示。2 C S-D B N-S A E识别模型基于上述理论,本文提出了C S-D B N-S A E模型,其框图如图4所示,该模型的创新点
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 压缩 感知 情感 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。