基于 SHAP 解释的树集成方法利用稀疏标注外周生理数据进行跨被试情绪识别
人机交互
2022-11-08 v1
摘要
尽管近期取得了实质性进展，利用生理数据进行情绪识别仍面临许多挑战。本文中，我们试图解决两个主要挑战。首先，为处理稀疏标注的生理数据，我们先用信号频谱分析分解原始生理数据，并据此提取复杂性与能量特征。该过程有助于降噪并提升特征提取有效性。其次，为提升生理数据情绪识别中机器学习模型的可解释性，我们提出轻量梯度提升机（LightGBM）与 SHapley Additive exPlanations（SHAP）分别用于情绪预测与模型解释。在公开的情绪分析生理信号数据库（DEAP）上，使用八路外周生理信号进行跨被试验证，LightGBM 模型在效价、唤醒度与喜好二分类上的 f1 分数分别为 0.814、0.823 与 0.860，优于极端梯度提升（XGBoost）模型。此外，SHAP 模型能识别情绪识别中最重要的特征，并揭示预测变量与响应变量在主干效应与交互效应上的关系。因此，所提模型的结果不仅在外周生理数据上表现良好，也为识别情绪的内在机制提供了更多见解。
引用
@article{arxiv.2211.02923,
title = {Cross-Subject Emotion Recognition with Sparsely-Labeled Peripheral Physiological Data Using SHAP-Explained Tree Ensembles},
author = {Feng Zhou and Tao Chen and Baiying Lei},
journal= {arXiv preprint arXiv:2211.02923},
year = {2022}
}