基于神经形网格特征的 PSO 模糊 XGBoost 分类器在 EEG 情绪识别中的提升
机器学习
2024-09-04 v2 神经与进化计算
摘要
情绪识别是从各种数据源（如面部表情、语音模式、身体动作和生理信号如 EEG）识别和分类人类情绪的技术驱动过程。尽管这些生理指标数据丰富，但由于其复杂性和可变性，仍需采用 sophisticated 的特征选择和提取方法。NGN 作为一种无监督学习算法，能够适应输入空间而无需预定义的网格结构，从而改进从生理数据中提取特征。此外，融合模糊逻辑可处理模糊数据，通过引入模拟人类决策-making 的推理。将 PSO 与 XGBoost 结合可通过高效的超参数调优和决策过程优化来提升模型性能。本研究探讨了将神经形网格网络（NGN）、XGBoost、粒子群优化（PSO）和模糊逻辑集成，以增强基于生理信号的情绪识别。我们的研究回答了三个关键问题：PSO 和模糊逻辑如何提升 XGBoost 性能，NGN 在特征选择中的有效性，以及 PSO-模糊 XGBoost 分类器与标准基准的性能比较。获取的结果表明，我们的方法提高了情绪识别系统的准确率，并在大多数分类器中超越其他特征选择技术，为情绪识别技术的理论发展和实际应用带来了重要意义。
引用
@article{arxiv.2407.09950,
title = {PSO Fuzzy XGBoost Classifier Boosted with Neural Gas Features on EEG Signals in Emotion Recognition},
author = {Seyed Muhammad Hossein Mousavi},
journal= {arXiv preprint arXiv:2407.09950},
year = {2024}
}
备注
PSO, Fuzzy, XGBoost, Neural Gas Network (NGN), Feature Selection, EEG Signals, Emotion Recognition