皮膚電研究: 情緒識別的特征提取與選擇

皮膚電活動(EDA)是情緒狀態(tài)的重要信息來源。先前文獻研究了許多EDA特征提取方法，但都使用少量特征和數(shù)據(jù)集測試它們識別情感的適用性。本文回顧了25項研究建議的40種EDA情感識別特征，使用三種FS(特征選擇)方法(JMI(聯(lián)合互信息)、CMIM(條件互信息最大化)、DISR(雙輸入對稱相關(guān)))，在公開可用的AMIGOS數(shù)據(jù)集上使用機器學(xué)習(xí)分析了不同EDA特征在時域、頻域、時頻域上的表現(xiàn)。研究發(fā)現(xiàn)獲得喚醒、效價識別的最佳準確度需要大致相同數(shù)量的特征，此外喚醒和效價識別上，依賴于被試的分類結(jié)果顯著高于獨立于受試者的分類。研究首次探索了梅爾頻率倒譜系數(shù)(MFCC)相關(guān)的統(tǒng)計特征，并發(fā)現(xiàn)其優(yōu)于所有其他特征組，包括最常用的皮膚電導(dǎo)響應(yīng)(SCR)相關(guān)特征。本文發(fā)表在IEEE TRANSACTIONS ON AFFECTIVE COMPUTING雜志。(可添加微信號siyingyxf或18983979082獲取原文，另思影提供免費文獻下載服務(wù)，如需要也可添加此微信號入群，原文也會在群里發(fā)布)。思影曾做過多期電生理機器學(xué)習(xí)相關(guān)文章解讀，結(jié)合閱讀，加深理解，感謝幫轉(zhuǎn)支持（直接點擊，即可瀏覽，加微信號siyingyxf或18983979082獲取原文及補充材料）：
基于EEG信號的情緒識別

基于深度學(xué)習(xí)的腦電圖分析

基于EEG信號與面部表情的連續(xù)情緒識別
EEGNet：一個小型的卷積神經(jīng)網(wǎng)絡(luò)，用于基于腦電的腦機接口
BRAIN：靜息態(tài)腦電圖揭示了肌萎縮性脊髓側(cè)索硬化癥的四種亞型

從誘發(fā)反應(yīng)中解碼動態(tài)腦模式

EEG腦機接口算法
腦電信號處理的機器學(xué)習(xí)
腦電信號解碼和可視化的深度卷積神經(jīng)網(wǎng)絡(luò)
基于M/EEG的生物標志物預(yù)測MCI和阿爾茨海默病基于機器學(xué)習(xí)的腦電病理學(xué)診斷
高階統(tǒng)計量在EEG信號處理中的應(yīng)用
EEG分類實驗block設(shè)計的危險與陷阱
Current Biology：視覺想象和視覺感知共享Alpha頻帶中的神

利用腦電連通性特征和卷積神經(jīng)網(wǎng)絡(luò)的情緒分類

腦電研究：通過神經(jīng)活動和視覺特征的多模態(tài)學(xué)習(xí)

JAMA Psychiatry：使用機器學(xué)習(xí)的方法探究焦慮和創(chuàng)傷性障

利用encoder-decoder模型實現(xiàn)皮層活

中風(fēng)恢復(fù)過程中腦機接口可促進運動

Nature Biotechnology: EEG特征預(yù)測重度抑郁癥的抗抑郁藥反應(yīng)

BMC Medicine：自閉癥譜系障礙靜息態(tài)EEG信號的定量遞歸

非侵入式神經(jīng)成像可增強機器控制

一種供四肢癱瘓患者使用硬膜外無線腦機

Lancet經(jīng)典：植物人意識狀態(tài)的床邊檢測

NATURE子刊：出生第一年的縱向EEG power能識別孤獨癥譜

EEG機器學(xué)習(xí)：急性腦損傷臨床無反應(yīng)患者腦

STROKE:用于慢性中風(fēng)患者運動康復(fù)的動力外骨骼的健側(cè)腦-機

PNAS:基于腦電在線神經(jīng)反饋調(diào)節(jié)喚醒程度可以改善個體

帕金森病認知圖譜的EEG機器學(xué)習(xí)

BRAIN：機器學(xué)習(xí)：基于EEG的跨中心、跨方案的意識

腦機接口訓(xùn)練可持久地恢復(fù)中風(fēng)病人的上肢運動功能

基于fNIRS連接度特征監(jiān)測飛行員的參與度(自動vs手動駕駛著陸)

中間融合深度學(xué)習(xí)分類感知心理負荷

1.介紹

皮膚電活動(EDA)是情緒狀態(tài)的重要信息來源。EDA是皮膚的電導(dǎo)率，通常在手掌部位測量，可以反映認知和情緒的變化，例如認知努力、情緒喚醒。EDA是一種非平穩(wěn)信號，它是兩種不同成分的集合：

1.強直成分(tonic component)，皮膚電導(dǎo)率的一般水平，隨時間緩慢變化；

2.相位成分(phasic component)，在強直成分的基礎(chǔ)上表現(xiàn)出更尖銳的峰值，這通常由刺激時瞬時交感神經(jīng)的激活造成，在某些個體中也自發(fā)產(chǎn)生。

EDA的強直成分稱皮膚電導(dǎo)水平(SCL)，短期相位響應(yīng)稱皮膚電導(dǎo)響應(yīng)(SCR)。EDA信號通常先快速增加，然后慢速下降到基線水平(見圖1)。EDA平均水平通常在2-20微秒，不同的個體有1-3微秒的波動，峰谷到峰值的典型上升時間約1-3秒，SCR幅值開始恢復(fù)的一半時間(half recovery)為2-10秒。

圖1.EDA信號示例

EDA成本低、易收集，已普遍應(yīng)用于心理學(xué)研究的。近期研究開始探索使用EDA預(yù)測心理狀態(tài)。當被試的自我報告信息存在限制時，EDA可能特別有用。不過迄今為止，還沒有研究系統(tǒng)地探索不同EDA特征組合的預(yù)測能力。本研究的目標是觀察EDA識別情緒的表現(xiàn)，填補這一空白。

2.相關(guān)研究

EDA情緒識別通常用于評估各種環(huán)境體驗，例如娛樂游戲、駕駛、患者-機器人交互。先前研究探索了EDA各種特征的預(yù)測能力，包括時域、頻域、時頻特征。

2.1.EDA的特征

2.1.1.時域特征

最常用的時域特征是信號統(tǒng)計參數(shù)，包括均值、標準偏差、峰度、偏度等。部分研究也觀察EDA的事件相關(guān)特征，即特定刺激(如圖像、聲音)呈現(xiàn)后幾秒鐘的特征，如SCR是否存在(定義閾值后忽略未達到的微小變化)，傳統(tǒng)SCR振幅閾值為0.05毫秒。先前研究有觀察的EDA事件相關(guān)特征有SCR幅度、SCR峰值數(shù)、平均SCR上升時、SCR面積總和。

有一些其他生理信號的特征，如高階交叉(HOC)、Hjorth特征，在EDA中也可以提取，不過據(jù)我們所知，目前還沒有研究觀察EDA的這些特征。

2.1.2 頻域特征

很少研究關(guān)注EDA頻域特征的預(yù)測能力，不過頻域分析可以更好地檢測個體SCR的梯度分量。快速傅里葉變換(FFT)、短時傅里葉變換(STFT)、Welch法功率譜密度估計(PSD)是最常用的頻域表征算法。EDA信號的頻域特征隨頻率變化，其頻率振蕩分為不同的頻率子帶。先前研究考慮了五個頻段的統(tǒng)計值(方差、范圍、信號幅度面積、偏度、峰度、諧波總和)和頻譜功率，以及它們的最小值、最大值和方差。

2.1.3.時頻特征-小波

EDA是非平穩(wěn)信號，適合用小波進行建模。

1.離散小波變換。小波被離散采樣時的小波變換稱離散小波變換(DWT)。去噪后的DWT小波系數(shù)特征已用于人機交互的情緒狀態(tài)分類。

2.平穩(wěn)小波變換。平穩(wěn)小波變換(SWT)分析EDA也具有優(yōu)勢。SWT是重復(fù)、線性的，與DWT相比，SWT的移動不變，且提供了更好的低頻段采樣率。SWT已應(yīng)用于EDA信號去噪，SWT更高效、計算的復(fù)雜度低。

2.1.4.梅爾頻率倒譜特征

EDA信號可以由一系列重疊、快速變化的相位SCR表征，這些SCR覆蓋在緩慢變化的強直活動(SCL)上，使皮膚電導(dǎo)(SC)的數(shù)據(jù)分解變得復(fù)雜，也限制了經(jīng)典方法評估SCR的能力。催汗神經(jīng)活動被認為是EDA的驅(qū)動因素，它由一系列不同沖動(如催汗神經(jīng)活動突發(fā), sudomotor nerve burst)組成，這些突發(fā)會觸發(fā)特定的脈沖響應(yīng)(如SCR)。SC可通過驅(qū)動脈沖響應(yīng)(deriver-impulse response, IR)卷積建模，表示為公式1。

在該模型中，SC被認為是皮膚系統(tǒng)的輸出，由催汗神經(jīng)突發(fā)的激活序列驅(qū)動，響應(yīng)和驅(qū)動的卷積在時域中不易分離。倒譜分析(CA)是分析語音信號相似模型的重要技術(shù)。

離散時域信號的倒譜是信號離散傅里葉變換(DTFT)幅度對數(shù)的逆變換，見公式2。

CA（倒譜分析）已成功用于分離心電、腦電、EDA等生理信號的基本波形和激活函數(shù)。有研究發(fā)現(xiàn)CA可以將小幅度波動放大，可用于分析疊加的EDA信號。梅爾頻率倒譜系數(shù)(MFCC)是基于加權(quán)倒譜距離測量的新型倒譜表征，廣泛用于語音信號相關(guān)等模式識別問題，可以作為EDA信號的特征向量，不過先前研究還未使用。

小結(jié):

1.已有研究探索了EDA特征分類情緒的預(yù)測潛力，但沒有研究對進行系統(tǒng)的比較，結(jié)果可靠性也有待識別。

2.高維數(shù)據(jù)處理的計算、空間復(fù)雜性高，從高維EDA數(shù)據(jù)中提取情感信息具有挑戰(zhàn)性，特別在線處理數(shù)據(jù)。

3.許多EDA特征可能與情緒分類無關(guān)或是多余，因此需要自動識別這些EDA特征的有效子集，實現(xiàn)有效的EDA情感識別。特征選擇方法在此非常重要。

2.2.特征選擇方法

大多EDA研究沒有采用任何特征選擇(FS)算法，或是只是在分類前應(yīng)用了數(shù)據(jù)縮減技術(shù)，如主成分分析(PCA)。然而，PCA不能實現(xiàn)自動識別，也不具有普遍性。FS方法通常分為依賴于分類器（包裹式、嵌入式）和獨立于分類器（過濾式）兩類。

包裹式和嵌入式的計算成本很高，且都使用非常嚴格的模型結(jié)構(gòu)假設(shè)，因此可能產(chǎn)生分類器特定的特征子集。相比之下，過濾式與模型無關(guān)，可以產(chǎn)生通用特征子集。過濾式還考慮了特征/特征子集在分類器中使用的潛在有用性。有研究對基于信息的過濾式FS算法進行了全面回顧，提出了基于信息的理想特征的選擇標準：

1)是否包含了冗余特征；

2)是否平衡了相關(guān)性和冗余度；

3)是否使用了低維近似。

研究發(fā)現(xiàn)只有三種FS算法滿足要求：1.聯(lián)合互信息(JMI, joint mutual information)、2.條件互信息最大化(CMIM, conditional mutual information maximization) 、3.雙輸入對稱相關(guān)(DISR, double input suymmetrical relevance)。本文將專注于這三種方法。

2.2.1.聯(lián)合互信息

聯(lián)合互信息(JMI)實現(xiàn)了準確性、穩(wěn)定性、靈活性的最佳權(quán)衡，專注于增加特征之間的互補信息。JMI分數(shù)計算見公示3。JMI的顯著優(yōu)勢有：

1.即使特征具有相同的互信息(MI)，JMI也可以區(qū)分它們；

2.當一個特征是其他特征的函數(shù)時，JMI可以消除特征中的冗余。

2.2.2.條件互信息最大化

條件互信息最大化(CMIM)是通用的過濾方法，可以解決普遍的FS問題。CMIM測量見公式4。

CMIM可以正確識別冗余特征和噪聲特征，并優(yōu)先考慮信息豐富、無關(guān)聯(lián)的特征。

2.2.3.雙輸入對稱相關(guān)

雙輸入對稱相關(guān)(DISR)是JMI的標準化變量。DISR考慮了變量互補和互信息的下限，見公示5。

DISR有助于選擇概率更高的已選變量的互補變量。

2.3.問題陳述

本文的研究目標如下：

1)綜述研究用于情緒識別的EDA特征。

2)首次使用多種FS方法對同一數(shù)據(jù)庫的特征進行系統(tǒng)比較。

3)識別出情緒識別中最重要的EDA特征。

如您對神經(jīng)電生理及機器學(xué)習(xí)等數(shù)據(jù)處理如腦功能，腦網(wǎng)絡(luò)或其他模態(tài)腦影像數(shù)據(jù)處理感興趣，請瀏覽思影以下鏈接（直接點擊即可瀏覽），感謝轉(zhuǎn)發(fā)支持。(可添加微信號siyingyxf或18983979082咨詢)：

3.方法

本文從公開可用、帶注釋的AMIGOS數(shù)據(jù)集EDA信號中提取目標特征，系統(tǒng)實施FS以確定最重要的EDA特征。

3.1.特征集

觀察特征: 1.先前文獻已用的EDA情緒識別特征，2.應(yīng)用于其他類型心理生理信號的有效特征，即使還未應(yīng)用于EDA。

搜索PubMed、IEEE Xplore、ScienceDirect等數(shù)據(jù)庫，關(guān)鍵詞為相關(guān)詞組合，如EDA、Electro-dermal Activity、Emotion等，根據(jù)標題和摘要手動識別討論EDA特征，并僅選擇原始研究。我們創(chuàng)建了數(shù)據(jù)提取電子表格，用于收集不同的EDA特征。25篇論文包含40種不同特性，列表見表1。

表1.先前研究使用的EDA特征

3.2.AMIGOS數(shù)據(jù)庫

AMIGOS數(shù)據(jù)集是一個開放數(shù)據(jù)集，包含兩個實驗的EDA測量值及其他多模態(tài)數(shù)據(jù)。實驗一: 被試觀看短時間（<250秒）情感視頻（40人），實驗2: 被試（單獨/四人一組）觀看長時間（>14分鐘）情感視頻（37人，17人單獨觀看，20人小組觀看）。該數(shù)據(jù)集包括兩個實驗中被試情緒喚醒、效價的注釋，由三位觀察者提供，他們在實驗期間目視檢查被試面部視頻，為每20秒觀看片段提供一個注釋，他們注釋了共12580個視頻片段（37名被試每人340個片段）。用于注釋的喚醒、效價量表是連續(xù)的，范圍從-1（低喚醒/效價）到+1（高喚醒/效價），注釋者間一致性較高（喚醒: Cronbach's a = 0.96，效價: Cronbach's a = 0.98）。

3.3.特征提取

特征類型信息見表2。每個被試的兩個注釋變量（喚醒和效價），每一個的340個注釋片段的EDA數(shù)據(jù)生成一個特征矩陣，從時域、頻域、時頻中提取特征共621個。我們對特征進行z分數(shù)標準化，均值為0，標準差為1。FS方法可能出現(xiàn)奇點問題，因此我們刪除了所有幾乎相同的特征(相關(guān)系數(shù)高于0.98)。

表2.特征與數(shù)量

3.3.1.時域特征的提取

1.事件相關(guān)特征。參考先前文獻描述的過程來提取以下特征：SCR振幅、SCR峰值計數(shù)、平均SCR振幅、平均SCR上升時間、SCR峰值振幅和、 SCR上升時間和、SCR曲線下面積和SCR面積總和。

2.統(tǒng)計特征。功率、均值、標準差、峰度、偏度、一階差分均值、二階差分均值。

3.Hjorth特征。我們還按照先前文獻描述的方法提取了三個Hjorth特征：活動A、機動性M、復(fù)雜性C，計算公式見公式6-8。

4.HOC。提取EDA時間序列的HOC特征，HOC是特定的濾波器序列迭代用于時間序列時的過零序列，見公式9-10。

為了確定最適合HOC特征的順序，我們進行迭代分類，使用分層10倍交叉驗證計算幾個HOC特征的分類表現(xiàn)。HOC特征數(shù)據(jù)分類通過對角協(xié)方差估計的二次判別分析（即樸素貝葉斯）進行。圖2顯示了喚醒、效價識別的HOC順序與相應(yīng)分類率。從圖中可以清楚看出，對于喚醒和效價識別，HOC在階數(shù)為5時獲得分類表現(xiàn)最佳，因此我們選擇HOC階數(shù)為5。

圖2.HOC階數(shù)與分類表現(xiàn)

3.3.2.頻域特征提取

EDA信號的推薦頻率范圍（0.05-0.50Hz）按建議可分為五個頻段，提取特征是一組統(tǒng)計特征（方差、范圍、信號幅度面積SMA、偏度、峰度、諧波總和）和五個頻帶的頻譜功率、最小值、最大值和方差。

3.3.3.時頻特征提取

(1)離散小波變換

信號的小波分析包括父小波的平移、母小波的縮放和平移。信號的小波級數(shù)表示見公式11。近似系數(shù)見公式12。使用離散小波變換(DWT)信號的細節(jié)系數(shù)(detail coefficient)見公式13。

在DWT中，小波充當帶通濾波器，其中縮放函數(shù)和小波函數(shù)分別充當?shù)屯ê透咄V波器(見公式14與15-16)。DWT會使時域分辨率減半，頻域分辨率加倍。上述過程可以迭代應(yīng)用于信號的多級分解。

(2)平穩(wěn)小波變換

修改基本DWT算法可以獲得獲得給定EDA信號的平穩(wěn)小波變換(SWT)。我們應(yīng)用了針對DWT的低通和高通濾波器提取以下特征：

3.3.4.梅爾頻率倒譜特征提取

提取MFCC特征的過程如圖3，具體為：

圖3.MFCC特征提取

1)基于SWT的復(fù)雜濾波方法對EDA信號濾波以去除運動偽影。

2)濾波后的EDA信號加漢明窗，以便在短窗口持續(xù)時間內(nèi)進行分析。采樣率f，幀N=2*f，重疊窗口時長M為0.5*f。本研究EDA信號采樣率為128Hz，EDA對誘發(fā)刺激的延遲在1.0-3.0秒之間，重疊窗口持續(xù)時間M設(shè)為0.5秒。為分析數(shù)據(jù)集的20秒EDA段，我們無法將N值設(shè)置為2*f=1/4256秒，而是創(chuàng)建10個相等的窗口，N值為2秒。

3)對每個窗口應(yīng)用FFT獲得頻譜。

4)通過梅爾濾波器將頻譜映射到梅爾尺度上，見公式17。

5)求梅爾譜值對數(shù)。

6)根據(jù)公式2的CA獲得MFCC特征。因為梅爾譜絕對值是實數(shù)、對稱的，應(yīng)用離散余弦變換獲得梅爾頻率倒譜系數(shù)，見公式18。

我們只選擇最后13個成分，因為其余部分幾乎沒有信息。通過上述過程獲得13個 Num_frames。

3.4.特征選擇

我們應(yīng)用JMI、CMIM和DISR從EDA中選擇有意義的特征。我們使用了多種特征選擇方法，以使結(jié)果更加穩(wěn)健。對提取的EDA特征縮放和離散化后，三種FS方法分別應(yīng)用于單個被試與所有被試。FS算法給出的前n個特征用來評估分類器性能，n的值在5到200之間。我們選擇上限200來檢查特征向量的約三分之一值（特征總數(shù)為621，見表2）。
3.5.分類

我們采用了AMIGOS數(shù)據(jù)集的情緒注釋，匯總了三個注釋者的評分，生成對每個視頻片段具有更重要意義的評分值。效價和喚醒評價是連續(xù)的，范圍從-1到1。

基于喚醒標簽，9886個樣本分配到LOW類，2694個樣本分配到HIGH類；基于效價標簽，9566個樣本分配到LOW類，3014個樣本分配到HIGH類進。由于兩類數(shù)據(jù)集不平衡，我們使用自適應(yīng)合成(ADASYN, adaptive synthetic)采樣法來進行改善。ADASYN根據(jù)學(xué)習(xí)難度對少數(shù)類樣本加權(quán)分布，與更容易學(xué)習(xí)的少數(shù)類樣本相比，它為更難學(xué)習(xí)的少數(shù)類樣本生成了更多數(shù)據(jù)，減少了不平衡數(shù)據(jù)分布引入的偏差。

我們使用的識別系統(tǒng)見圖4。樣本集劃分為單被試(37名被試，每位包含340個樣本）和整體數(shù)據(jù)集（所有被試共12580個樣本）。對數(shù)據(jù)分區(qū)應(yīng)用ADASYN法以消除類別不平衡，然后將數(shù)據(jù)以70:15:15的比例分別進行訓(xùn)練、驗證和測試。我們使用支持向量機(SVM)和徑向基函數(shù)(RBF)，根據(jù)分類準確度評估各特征選擇方法。我們采用網(wǎng)格搜索和3折交叉驗證方法確定最佳正則化參數(shù)C，確定高斯RBF的自由參數(shù)。有研究報告SVM在生理信號識別情感狀態(tài)上提供了最佳的分類精度。

圖4.分類系統(tǒng)圖示(信號->特征提取->特征選擇->SVM分類->比較分類表現(xiàn))
4.結(jié)果4.1.最優(yōu)特征數(shù)

表3顯示了37名被試和三種FS（特征選擇）方法的喚醒識別的最佳準確度、平均F1分數(shù)和最佳特征數(shù)，最優(yōu)準確率是在最優(yōu)特征數(shù)量下獲得的最高準確率。該表還顯示了三種FS方法中37名被試的平均結(jié)果，以及獨立于被試(ALL)的分類結(jié)果。表4顯示了效價識別的相同信息。表3.各被試的情緒喚醒識別

表4.各被試的情緒效價識別

我們測試了不同選擇算法提供的F1分數(shù)值是否顯著高于0.5（p<0.05水平）。在喚醒的檢測中，JMI、CMIM、DISR算法提供的F1分數(shù)均值顯著高于0.5。在效價的檢測中，JMI、CMIM、DISR算法提供的F1分數(shù)均值也顯著高于0.5。

為了觀察依賴被試、獨立于被試的分類的不同，我們比較了三種特征選擇方法的獨立于(ALL)分類與依賴被試(37名被試)的結(jié)果。在喚醒的檢測中，依賴被試的識別準確度顯著更高，但其最佳特征數(shù)顯著更低。在效價的檢測中也發(fā)現(xiàn)了相同的情況。

我們進行了一系列配對t檢驗，以確定三種FS算法預(yù)測喚醒、效價的準確度均值是否存在顯著差異，結(jié)果表明不存在。最后我們使用一系列重復(fù)測量（被試內(nèi)）、方差分析（ANOVA）比較三種FS算法在準確性、最佳特征數(shù)量方面的表現(xiàn)。在喚醒的檢測中，準確度和最佳特征數(shù)量沒有顯著差異。在效價的檢測中同樣沒有發(fā)現(xiàn)顯著差異。換句話說，沒有證據(jù)表明其中一種算法優(yōu)于其他算法。

4.2.重要特征

計算每種特征出現(xiàn)在最佳特征組的相對頻率：

1)基于所有被試與FS方法的最佳特征數(shù)量選擇特征，生成直方圖。

2)特征出現(xiàn)除以特征基數(shù)（如HOC為5）進行標準化。

3)跨FS方法的相對頻率加權(quán)，乘分類精度。

特征的相對頻率在0-1之間，重要特征分值高于不重要特征。圖5、圖6分別顯示了喚醒和效價識別的特征加權(quán)相對頻率。喚醒識別中，最常選擇的特征組是MFCC統(tǒng)計特征，接下來是時域SCR相關(guān)統(tǒng)計特征組和頻域頻帶功率相關(guān)特征組。所有特征中，表現(xiàn)最好的是AUC(曲線下面積)，其次是SMA(信號幅度面積)和信號能量特征。與其他時域統(tǒng)計特征相比，SCR信號的標準偏差或方差、SCR信號導(dǎo)數(shù)也表現(xiàn)良好。一般來說，SCR信號的統(tǒng)計特征在時域上的表現(xiàn)優(yōu)于其他SCR相關(guān)特征。值得注意的是，時域統(tǒng)計特征、頻帶功率和頻域統(tǒng)計特征顯示出比其他特征組更高的方差，這表明這些組中的某些特征具有更多信息，分別是時域統(tǒng)計特征中的AUC、信號能量和SMA，頻帶功率，頻域統(tǒng)計特征。與其他三個特征組相比，MFCC統(tǒng)計特征之間的差異較小，這意味著此類型中的所有特征都很重要。最不常選擇的特征是小波系數(shù)和MFCC系數(shù)。

圖5.情緒喚醒識別的特征加權(quán)最佳出現(xiàn)率

圖6.情緒效價識別的特征加權(quán)最佳出現(xiàn)率

效價識別的特征出現(xiàn)頻率與喚醒識別的趨勢相同。效價識別最常選擇的特征組是MFCC統(tǒng)計特征，其次是時域、頻域頻帶功率相關(guān)特征。在所有特征中，表現(xiàn)最好的特征也是AUC，其次是SMA和信號能量。

5.討論

我們沒有發(fā)現(xiàn)所使用的三種FS方法表現(xiàn)的顯著差異，但它們都產(chǎn)生了較高的喚醒、效價識別分類準確度和F1分數(shù)。表3、表4表明，大量EDA特征才能獲得最佳精度(喚醒識別約95個，效價識別約96個)，之前的任何研究都沒有報道過這一發(fā)現(xiàn)。喚醒和效價識別的最佳特征數(shù)相似度高，識別計算復(fù)雜度也非常相似。

雖然EDA通常與情緒喚醒更相關(guān)，但我們發(fā)現(xiàn)喚醒、效價的識別表現(xiàn)相似。先前研究發(fā)現(xiàn)，盡管EDA在喚醒識別的表現(xiàn)稍好一些，但這兩個變量的分類性能沒有顯著差異，這與我們的結(jié)果一致。我們發(fā)現(xiàn)AMIGOS數(shù)據(jù)集注釋的喚醒和效價得分間存在顯著的高相關(guān)性，這可能有助于解釋為什么喚醒、效價的識別表現(xiàn)相似。

至于重要特征，文獻中廣泛使用的SCR特征在本研究中顯示出較低的加權(quán)出現(xiàn)分數(shù)。結(jié)果表明，在所有SCR特征中，SCR峰幅度對于識別EDA的喚醒、效價最重要。我們還證明了常用的上升時間特征沒有發(fā)揮重要作用。雖然先前文獻通常不適用EDA信號的AUC，但它作為單一特征在EDA信號情感識別方面的表現(xiàn)很好，EDA信號的SMA和信號能量特征也如是。此外，研究中最重要的發(fā)現(xiàn)是與MFCC相關(guān)的統(tǒng)計特征的表現(xiàn)，優(yōu)于所有其他特征類型。綜上所述，具有最高情感分類潛力的EDA特征要么從未在以前研究中使用過（MFCC特征），要么使用得很少（AUC和SMA特征）。

與不依賴被試的分類相比，僅使用較少數(shù)量的特征就能獲得優(yōu)越的依賴被試的分類準確度。不同個體通常對相同刺激有不同的生理反應(yīng)，此外不同被試的背景也不同。如果系統(tǒng)預(yù)先知道該被試，或者可以在分類之前對每個被試進行學(xué)習(xí)，那么可以以被試相關(guān)的方式進行情緒分類。這是實時情感識別的最大挑戰(zhàn)之一。

6.結(jié)論

本文回顧了25項研究建議的40種EDA情感識別特征，使用三種FS方法(JMI、CMIM、DISR)，在公開可用的AMIGOS數(shù)據(jù)集上使用機器學(xué)習(xí)分析了不同EDA特征在時域、頻域、時頻域上的表現(xiàn)。三種FS方法均表明喚醒識別平均使用95個特征，效價識別平均使用96個特征。結(jié)果顯示喚醒識別的平均準確率為85.75%（F1分數(shù)0.63），效價識別的平均準確率為83.9%（F1分數(shù)0.61）。在喚醒和效價識別方面，依賴于被試的分類結(jié)果顯著高于獨立于受試者的分類。MFCC統(tǒng)計特征、AUC和SMA特征的表現(xiàn)優(yōu)于EDA信號的常用的SCR特征。

本研究研究了EDA情緒分類的重要特征，還指出一些在先前研究中被忽略的有效特征，例如MFCC特征。這為未來開發(fā)基于EDA的新情感識別系統(tǒng)開辟了道路，具有更高的準確性，最大限度地降低了計算成本。

本研究的限制:

1.只依賴于情緒的維度模型（根據(jù)效價和喚醒的情緒概念化）。檢查EDA特征對離散情緒（如喜悅、悲傷、恐懼、驚訝）進行分類的預(yù)測能力也很有趣，是未來研究中應(yīng)該解決的一個方面。

2.只測試了情緒激發(fā)的一種材料(觀看情緒視頻)。不同場景（如壓力大的工作面試）可能會在EDA 信號中產(chǎn)生不同模式，關(guān)注信號的不同特征可以更好地捕捉這些模式。

我們的結(jié)果還強調(diào)要考慮具有不同心理生理特征的被試的個體差異，這些特征往往對相同刺激有不同的生理反應(yīng)，而不解決這種個體差異會對情緒狀態(tài)的分類表現(xiàn)產(chǎn)生負面影響?？梢允褂米銐蚨嗟谋辉噥碛?xùn)練情緒分類通用模型，然后用新被試的基線值對模型進行微調(diào)。

如需原文及補充材料請?zhí)砑铀加翱萍嘉⑿牛?/span>siyingyxf或18983979082獲取,如對思影課程及服務(wù)感興趣也可加此微信號咨詢。另思影提供免費文獻下載服務(wù)，如需要也可添加此微信號入群，原文也會在群里發(fā)布，如果我們的解讀對您的研究有幫助，請給個轉(zhuǎn)發(fā)支持以及右下角點擊一下在看，是對思影科技的支持，感謝！

微信掃碼或者長按選擇識別關(guān)注思影

非常感謝轉(zhuǎn)發(fā)支持與推薦
歡迎瀏覽思影的數(shù)據(jù)處理業(yè)務(wù)及課程介紹。（請直接點擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號siyingyxf或18983979082進行咨詢，所有課程均開放報名，報名后我們會第一時間聯(lián)系，并保留已報名學(xué)員名額）：腦電及紅外、眼動：

第二十九屆彌散成像數(shù)據(jù)處理班（南京，11.19-24）

上一篇 | 腦功能網(wǎng)絡(luò)重建的原理與有待解決的問題

下一篇 | 腦網(wǎng)絡(luò)組織的多尺度建模

久久久亚洲色,草草影院ccyy,日产精品一区二区,np群乱肉欧美精品大黄毛片-亚洲性夜夜综合久久麻豆-日本亚洲精品色婷婷在线影院-gogo亚洲大胆肉体艺术

皮膚電研究: 情緒識別的特征提取與選擇