基于轻量级深度CNN模型两级集成的自动情绪识别(AER)系统
机器学习
2019-05-01 v1 信号处理
机器学习
摘要
情绪在人际交互、医疗监护与安全调查监测中起着关键作用。利用脑电图(EEG)信号的自动情绪识别(AER)是一种解码真实情绪的有效方法,其不受身体姿态影响,但这是一个具有挑战性的问题。已有若干基于传统手工特征工程的自动情绪识别系统被提出,其性能很差。受深度学习(DL)在许多识别任务中优异表现的启发,我们引入了一种基于 EEG 脑信号并使用 DL 的 AER 系统(Deep-AER)。DL 模型涉及大量可学习参数,其训练需要大规模 EEG 信号数据集,而这对于 AER 问题难以获取。为克服该问题,我们提出了一种轻量级金字塔型一维卷积神经网络(LP-1D-CNN)模型,其涉及的可学习参数很少。利用 LP-1D-CNN,我们构建了一个两级集成模型。在集成的第一级,每个通道由 LP-1D-CNN 增量扫描以生成预测,并通过多数投票融合。集成的第二级利用多数投票融合一条 EEG 信号所有通道的预测以检测情绪状态。我们使用情绪识别研究的基准数据集 DEAP 验证了 Deep-AER 的有效性与鲁棒性。结果表明 FRONT 区域在 AER 中占主导地位,在该区域上,Deep-AER 对两个 AER 问题即高愉悦度 vs 低愉悦度(HV vs LV)和高唤醒度 vs 低唤醒度(HA vs LA)分别取得了 98.43% 和 97.65% 的准确率。对比显示 Deep-AER 大幅优于现有最优系统。Deep-AER 系统将有助于医疗监护与安全调查监测。
引用
@article{arxiv.1904.13234,
title = {Automatic Emotion Recognition (AER) System based on Two-Level Ensemble of Lightweight Deep CNN Models},
author = {Emad-ul-Haq Qazi and Muhammad Hussain and Hatim AboAlsamh and Ihsan Ullah},
journal= {arXiv preprint arXiv:1904.13234},
year = {2019}
}