EEG-Based Emotion Classification Using Spiking Neural Networks
- 摘要
- 实验方法
- 实验数据集:
- 使用SNN进行分类
- 结论
- 思考
摘要
提出了一种利用spiking神经网络(SNNs)和脑电图(EEG)处理技术识别情绪状态的新方法。采用离散小波变换(DWT)、方差变换(variance)和快速傅里叶变换(FFT)三种算法提取脑电图信号,再由SNN进行情绪分类。两个数据集,即DEAP和SEED被用来验证所提出的方法。对于前一个数据集,情绪状态包括唤起、价态、支配和喜欢,每个状态都表示为高或低状态。对于后一个数据集,情绪状态分为三类(消极、积极和中性)。实验结果表明,利用方差数据处理技术和SNN,兴奋的情绪状态,效价,主导和喜欢在DEAP数据集分类精度为74%,78%,80%和86.27% ,在Seed数据集精度是96.67%。本工作实现了更好的情绪分类性能,并证明了使用SNN进行运动状态分类的优越性
实验方法
实验数据集:
1.DEAP
2.Seed
SNN:SNN由大量的尖峰神经元组成,通过峰的相对时间可以传输和接收大量的信息。SNN的这一特性特别适用于输入信号的定时传递重要信息的应用场合。研究表明,SNN可以应用于非尖峰神经网络所能解决的问题,更重要的是,SNN比传统的神经网络更强大。
DEAP数据集的特征提取数据包含32个参与者,每个参与者对应一个文件。每个文件的数据量为40×32×8064(视频/试验×通道×数据)字节。Seed数据集的特征提取数据包含15个参与者,每个参与者对应3个文件。
使用SNN进行分类
采用基于SNN架构的NeuCube[31]模型对情绪进行分类。NeuCube SNN体系结构主要由三部分组成:用于编码的输入模块、三维SNNcube和进化的SNN分类器。
利用leaky integrate-and-fire (LIF)神经元实现SNNCube。nx、ny and nz参数用于控制SNNcube的大小,SNNcube分别表示沿x轴、yandzax轴的神经元数量。N = nxnynz是SNNcube中神经元的数量。
图3为NeuCube中脑电图采集点的位置。高亮显示的神经元用于映射输入特征。这些坐标可以自动或手动映射。
在初始化立方体之后,SNNcube的无监督训练根据输入峰值在神经元之间建立连接,这些输入峰值被组织成一个“small world”,为了捕获编码数据在时空关系中的相关性,SNNcube采用了一种非监督学习的spike- timing- dependent plastic(STDP)模型.
图4为基于EEG数据集的平均输入交互的输入神经元之间的平均一对一交互。粗线表示强相互作用。如FP1、FC2、CZ、O1分别表示左侧额点、顶点、中心顶点、枕点的位置。FP1与FC2的相互作用较强,CZ与O1的相互作用较弱。结果表明,FP1与FC2的相关性强于CZ与O1.
神经元的明亮程度表明它的激活程度。神经元越亮,发出的峰值越多。在NeuCube中可以看到所有神经元发出的正、负峰值的直方图。图7为脑电图数据集生成的脉冲发射直方图。所有神经元均分为兴奋性和抑制性两类。兴奋性神经元发出正峰值,抑制性神经元发出负峰值。
结论
SNN更适合于空间和时间数据。NeuCube框架不仅可以从数据中学习功能路径,还可以预测未来的状态。该模型可用于以非监督和监督的方式学习空间和时间数据。
本研究使用的DEAP和SEED数据集包含从32通道和62通道脑机接口(BCI)设备收集的脑电图信号。采用方差、FFT和DWT三种特征提取方法对脑电图数据进行处理。然后使用SNN对情绪状态进行分类。实验结果表明,与其他两种特征提取方法相比,具有3秒时间窗的方差提取方法更适合处理原始脑电图数据。在情绪状态分类方面,由于SNN对空间和时间数据的处理能力,其准确率高于其他传统方法。
思考
提出的SNN网络思想,需要去多看一些相关文献了解SNN构成和使用,加深理解SNN