基于ELM的情绪分类模型研究

时间:2022-09-08 12:36:11

基于ELM的情绪分类模型研究

摘要: 采用计算机进行情绪判断对实现人工智能、人机交互及智能计算等具有重要意义。本文在深入学习和研究脑电信号分析和处理的各种算法基础上,进行了对基于ELM的情绪分类模型研究。本文采用近似熵和小波能量熵算法生成三种不同的脑电信号特征,对ELM分类器进行训练,同时与BP算法、GRNN和PNN算法进行比较。实验表明,ELM极限学习机算法分类效果最好,其识别率达到87.25%。

Abstract: The use of computer for emotional judgment is of great significance to the realization of artificial intelligence, human-computer interaction and intelligent computing. Based on the in-depth study and research of the processing algorithms of the EEG signal analysis, this paper studies the sentiment classification model based on ELM. In this paper, approximate entropy and wavelet energy entropy algorithm are used to generate three different features of EEG signals to train the ELM classifier. At the same time, it is compared with BP algorithm, GRNN and PNN algorithm. Experiments show that ELM limit learning machine algorithm classification effect is the best, the recognition rate is 87.25%.

关键词: 脑电信号;情绪分类;ELM;近似熵;小波能量熵

Key words: EEG signal;sentiment classification;ELM;approximate entropy;wavelet energy entropy

中图分类号:TN911.7 文献标识码:A 文章编号:1006-4311(2017)04-0170-02

0 引言

情绪是人类的一种心理活动,影响着人类生活、工作及身心健康等各个方面。通过情绪判断模型研究不仅可以让人们更好的管理和控制自己的不良情绪,提高工作效率,还有利于身心健康。脑电信号是一种复杂的随时间变化的非稳定信号,使用传统的线性方法一般难以解决因脑电信号的非线性因素带来的复杂性问题。人工神经网络作为一种自适应模式分类方法非常适合于分析复杂的非线性信号问题[1],本文采用ELM来进行情绪分类。

1 特征提取算法

1.1 近似熵

近似熵是一种用于定量描述时间序列复杂性的非线性动力学参数,是对脑电信号的复杂性进行评价和分析的方法。在计算过程中不需对数据做过多的处理,并且所需要的数据数列不需太长便能得到可靠而稳定的近似熵,因此被广泛的用于分析复杂的脑电信号[2]。

1.2 小波能量熵

小波能量熵理论不仅具有小波r频局部化能力和快速算法分析等独特优势,还拥有信息熵对随机信号复杂程度的统计特性,因此,小波变换与信息熵的结合能更好的对脑电信号进行精确的分析[3]。

2 ELM极端学习机

极限学习机(Extreme Learning Machine,ELM),是一种快速求解单隐层神经网络训练算法。该算法最大的特点是在选取内权和偏置值等网络参数时是随机的,过程中无需调节,而外权值只需通过最小平方损失函数得到的最小二乘解确定,整个过程不需任何迭代步骤,最大程度的降低了网络参数的确定时间,从而使ELM算法在保证学习精度的前提下能够比传统的学习算法速度更快更准确[4]。

3 实验结果与分析

实验中所用信号是通过脑电采集设备在六种不同情绪状态下所采集的脑电信号。我们采用的测试方法为对测试所有群体的脑电数据,经过近似熵和小波能量熵算法的特征提取,我们总共获得十四组特征数据,每一组包括欢快、兴奋、平和、伤感、恐惧、烦躁六种不同情绪的特征数据各34个样本,一组总共包括204个样本,我们将每一组不同情绪中的前17个样本数据作为训练数据,后17个样本作为测试数据。

从表1可知,在近似熵作为特征向量,ELM极限学习机识别率最高,所用时间最少,BP算法与PNN算法相比虽然识别率相近,但是BP算法所用时间是PNN算法的30多倍,而GRNN算法识别率在四种分类器中最低。

从表2可知,在小波能量熵作为特征时,识别精度最高的是ELM和PNN算法,虽然PNN达到与ELM算法相同的识别率,但PNN算法所用的时间是ELM算法的2倍多,识别精度最低的与近似熵一样都是GRNN分类器。虽然四种分类器对小波能量熵特征的分类效果均不是很理想,但从识别精度和工作效率两方面也间接表明了ELM的分类器的优于其他分类器。

从表3可知,在近似熵与小波能量熵组合形成特征向量时,除GRNN分类器外,其他三种分类器均可获得较理想的识别效果。其中,ELM的识别精度和工作效率同样优于其他三种分类器,不仅识别精度达到87.25%,而且所用的时间也是四者中最少。BP算法与PNN算法相比,虽然BP算法的识别率略高于PNN算法,但其所用时间却是PNN算法的20多倍。相比之下,GRNN分类性明显弱于其他三种分类算法。

实验表明,ELM分类器与其他三种分类器相比具有更高地识别率和工作效率,若将其用于其他脑电信号的分类,可以获得较稳定的分类效果。GRNN广义回归神经网络算法的分类效果始终都不理想,在四种分类器中的分类效果也始终最差,所以不建议采用GRNN广义回归神经网络作为分类算法。

4 结论

本文主要研究了基于ELM的情绪分类模型。传统的一些基于梯度下降法的算法,需要在迭代过程中调整所有网络参数,来解决这类问题。但在ELM算法中,不需要如此繁琐的去调整网络参数,只需随机确定输入的权重和隐层的偏置便可得到隐层的输出矩阵。

ELM极限学习算法、BP人工神经网络算法、GRNN广义回归神经网络算法和PNN概率神经网络算法相比,在三种不同的特征向量下,ELM极限学习机算法始终占据优势地位,在识别率与工作效率方面始终在高于其他三种神经网络结构,并且在近似熵与小波能量熵组合形成的特征向量情况下每一种分类器的识别率均高于其本身对另外两种特征的识别。

参考文献:

[1]袁琦,周卫东,李淑芳,等.基于ELM和近似熵的脑电信号检测方法[J].仪器仪表学报,2012,33(3):515-516.

[2]Z. Khalili M. H. Moradi: Emotion Recognition System Using Brain and Peripheral Signals:Using Correlation Dimension to Improve the Results of EEG[C]//Proceedings of Internation Joint Conference on Neural Networks. At-lanta, Georgia, USA:IEEE, 2009:1571-1575.

[3]高永峰.汽轮发电机转子绕组故障的检测方法研究[D].华北电力大学,2009.

[4]赵志勇,李元香,喻飞,等.基于极限学习的深度学习算法[J].计算机工程与设计,2015(4):1022-1026.

上一篇:污水处理厂提标改造工程设计 下一篇:广州地铁三号线B2型车制动缓解检测环路分析与...