AAAI 2020 | 启发式变分路径推理（VPR）脑电情绪识别

原创张玮玮 PaperWeekly

©PaperWeekly 原创 · 作者｜张玮玮

学校｜东北大学硕士生

研究方向｜脑电情绪识别

论文工作

人类情感认知的研究表明，在情感表达过程中，空间相邻区域和功能相关区域之间存在着联系和通路。作者提出了一种启发式的变分路径推理（VPR）方法来处理基于脑电波的情绪识别，引入随机游走来产生大量沿电极的候选路径。为了编码每个路径，动态序列模型用于进一步学习电极间的依赖关系。

论文方法

为了降低步行路径的数目，作者通过划分五个脑功能区域（额叶 (F)、颞叶 (T)、顶叶 (P)、枕叶 (O) 和中央区 (C) ），将步行范围限制在局部区域内，并仅定义空间相邻电极之间的直接连接。对于作为开始节点的每个电极，作者在预定义的行走长度内采样多个候选路径。

考虑到步行路径的序列特性，引入动态序列模型 LSTM 对电极间依赖关系进行编码，进一步提取路径的高级特征。对于每个电极，最大限度地聚合其中的编码通路，得到一个伪显著通路，其每条边实际上表示跳跃阶段的显著连接。

为了进一步简化伪路径，作者提出了一个稀疏变分缩放（SVS）模块来学习施加在这些路径上的缩放因子。与局部聚集相比，变分标度在所有电极上共享，因此可以理解为一种整体加权策略。尺度因子不仅可以用于生成更多的判别特征用于最终的情绪预测，而且还可以反馈到这些候选路径中，从而确定最终的显著路径。

2.1 产生候选路径

对于输入的脑电图信号，每个电极对多个通路进行采样。形式上，对于长度为 l 的随机行走，有序节点由以下分布生成 :

其中，表示节点和之间的非标准化邻接，如果在空间上相邻（详见图 2），则其值设为 1，否则设为 0 。Z 为归一化常数，为封闭在 r-th 脑区相邻电极对的集合 (r {F, T, P, O, C})。

2.2 路径编码

候选路径采用序列递归模型 LSTM 对行走节点的依赖进行编码，获得其嵌入表示。在形式上，对于给定的路径，编码过程定义如下：

2.3 局部路径聚合

为了找到电极之间的显著联系，我们使用 max-aggregation 来找到那些具有相同起始节点的局部候选路径。通过取嵌入通道间各维度的最大值来计算聚合路径：

由于最大位置不一致，一个聚合路径可能不是一个真正的行走，但该路径记录了那些最显著的电极之间的连接。因此，我们将聚合路径称为伪显著路径。其中一个候选通路与相应的伪显著通路高度相关。形式上，一个候选通路的局部显著性推导为：

2.4 整体路径缩放

作者提出了 SVS 模块来推导伪路径的比例因子，引入了具有稀疏约束的变分推理模型，而不是采用确定性的方法。由于 SVS 在数据分布拟合方面具有良好的数学特性，因此具有稳定性和可解释性。同时，约束尺度因子的稀疏结构，以自适应地选择显著路径。每个伪通路显著性将根据对应的潜在变量重新缩放 :

利用 Kullback-Leibler (KL)- 散度估计与的分布距离，利用使 kl - 散度最小可以得到的较好近似。最小化 kl - 散度等价于最大化。

2.5 损失函数与候选路径的选择

在训练整个 VPR 时，作者最小化整个损失函数，定义如下：

为了确定的显著路径,本文结合每个候选路径的贡献力量相应的伪路径和伪通路的重要性。在形式上，在 j 极点的第 k-th 候选路径,整体贡献表示最后情感分析的定义是:

结果

本文通过对 SJTU 情绪脑电图数据集（SEED）和多模式生理情绪数据库（MPED）两种脑电图情绪数据集进行实验来评价 VPR。为了达到一个全面的评估，提出的 VPR 与多种先进的方法比较，遵循广泛使用的 subject dependent 协议。

为了进一步直观地理解路径选择，本文在这里将那些显著的路径可视化，通过施加更高值的缩放因子来自适应地突出这些路径。同时，在图 4 和图 5 中展示了不同被试和不同情感类别之间有序联系的差异，这从人类情感认知的角度来看可能也很有意义。

结论

论文提出了一种基于感知机制的脑电情绪识别框架 VPR。考虑到空间的邻接性和功能区，在每个脑区域内沿封闭的空间电极引入随机游走，生成候选路径。为了编码每个路径，考虑到有序连接，我们使用 LSTM 模型来学习电极间的依赖关系。

为了捕获最重要的成对连接，每个电极周围的编码通路被聚合以产生一个伪最大能量通路。为了进一步选择显著路径，提出了基于贝叶斯概率过程和稀疏约束的 SVS 模块，使该模块具有良好的泛化能力，同时有利于路径的自适应选择。

最后，通过伪路径和尺度因子共同确定候选路径的显著路径。

更多阅读

#投稿通道#

让你的论文被更多人看到

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。

📝 来稿标准：

• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向）

• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接

• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志

📬 投稿邮箱：

• 投稿邮箱：hr@paperweekly.site

• 所有文章配图，请单独在附件中发送

• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

继续滑动看下一个