基于KNN的EEG channel选择

1.Abstract

        背景：基于多通道脑电图情绪识别已经做了很多研究

        目标：本文探讨了不同频段和不同通道数的脑电信号对情绪识别准确性的影响

        方法：我们使用不同的脑电图通道组合，将情绪状态分为valence和arousal维度。首先，对DEAP预处理的数据进行归一化。然后，将EEG信号使用离散小波变换分为四个频带，计算熵和能量作为K近邻分类器的特征。

        结果：在γ频带上，10、14、18和32个脑电通道的分类准确率在valence和arousal维度上，分别是89.54%、92.28%、93.72%和95.70%；89.81%、92.24%、93.69%和95.69%。随着通道数量的增加分类的准确率也上升。不同频道的效果顺序为γ>β＞α大于θ。

        本文为基于脑电的情绪识别提供了更好的频带和通道参考。

2.Introduction

        最近几年，在情绪识别方面已经提出了很多方法。主要包括三种方法：

               第一种是基于非生理信号，如表情

               第二种是基于生理信号，如EEG。它们在情绪识别中更可靠且有效

               第三种是基于multimodal fusion，

        valence is the pleasure degree of the individual

        Arousalindicates the degree of activation of the emotion

3.Related Search

        目标：

• 1. 通过不同的分析方法和用恰当的分析模型，找到合适的情绪分析特征来提高情绪分类的准确率
  2. 找到与情绪分析最相关的频率区间和大脑区域，然后为基于脑电的情绪识别研究提供了坚实的生理基础。

        尽管出色的时间分辨率和可接受的空间分辨率使EEG成为情绪识别系统的合适选择，但少数EEG通道的空间分辨率较差，这对情绪识别的准确性产生了重大影响。

        本文，基于DEAP数据集，本文讨论了基于经验选择的10通道、14通道和18通道脑电信号，以及全脑32通道的脑电信号对情绪识别准确性的影响。EEG信号被划分为多个时间窗口，每个时间窗口通过DWT转化为一些频率区间。我们从每个频带中提取熵和能量作为特征，并使用KNN分类器来识别情绪状态。

        本文的目的是探索不同频率区间和不同通道数量对脑电信号情绪识别的影响。

4Preliminaries

        在本节中，我们系统地描述了情绪的模型、分类方法和时间窗口的选择。

4.1model of emotion

        有两类模型被用来描述整体的情绪状态：

        一个是离散的情绪模型：包含一些基础的情绪如悲伤，生气...

        另一个是多维情绪模型：

        最初，它是valence和arousal的二维模型。

• 1. valence 表示个体的愉悦程度
  2. Arousal 表示情绪的激烈程度 从冷静到激动

        接下来，一种三维模型出现了包括：valence arousal 和 preference

4.2KNN classifier

        K近邻（KNN）方法是一种简单的基于统计的分类方法，常用于成熟的分类算法。其核心策略是识别最接近未知样本点的K个样本，并从K个样本中的大多数样本中确定未知样本的类别信息。

4.3Temporal window

        脑电图采集时间通常比情绪状态的准确识别时间长。为了准确识别情绪状态，EEG信号通常被窗口分割为各个部分。据实验结果表明：较短的窗口长度（1—4s）比较长的窗口长度（5—8s）有更好的表现效果。

5. Materials and methods

5.1 data acquisition

        在本文中，我们使用了在MATLAB中经过后处理的DEAP数据集的数据。在这个数据集中，32名受试者观看了40个可以刺激各种情绪的视频片段，每个60s。每个受试者在valence-arousal-dominance-liking四个维度（从1到9）上提供了个人评分。

        该数据集记录了参与者的七种生理模式，包括32通道脑电图信号和8通道的其他外围生理信号。本文研究情绪在valence和arousal两个维度。如果分数高于4.5记为high，低于则记为low。

5.2 channel selection

        本文讨论了脑电图在10通道、14通道、18通道和32通道中的情绪分类。研究表明积极情绪与大脑左额叶区域有关，消极情绪与大脑右额叶区域有关。

        10 channels: FP1-FP2, F3-F4, F7-F8,FC5-FC6 and FC1-FC2

        14 channels: 10 channels + AF3-AF4, C3-C4

        18 channels: 14 channels + T7-T8, Fz and Cz.

5.3 preprocessing

        作者用average mean reference（AMR）对EEG信号进行预处理。然后为了消除个体差异和渠道差异，作者使用最小-最大归一化方法将每个人的每个通道的EEG信号归一化为[0,1]，从而降低了计算复杂度。

5.4 Feature Extraction

        本文，作者使用离散小波变换（DWT）进行特征提取。利用mother wavelet function对脑电信号进行拉伸和移位，得到一系列小波系数。在我们的研究中，每个EEG通道使用4s的窗口，每个窗口与前一个窗口重叠2s，总共29个窗口。然后，通过使用db4 DWT对每个窗口的数据进行4次分解，并提取所有高频分量作为四个频带，即γ、β、α和θ，如表1所示

最后，计算了每个频带的熵和能量作为特征。因此，对于每个通道，在每个频带中有2个特征。

5.4.1 Entropy

        熵可以用于分析时间序列信号。每个波段的熵计算如下：

5.4.2 Energy

        j表示小波分解的级别，k表示小波系数的个数

5.5 Classification

        作者使用KKN在valence和arousal两个维度上对情绪进行了分类。作者使用10倍交叉验证方法进行分类，将10次测试的平均值作为最终分类结果。

        训练和测试的过程如下：

        首先，我们将总样本平均分为10个部分，其中9个部分用于训练，1个部分用于测试。每个测试的1个部分样本不同，其余9个部分用于训练，总共训练和测试10次，每次训练和测试的样本不重叠。

6. result and discussion

6.1 Different channel combinations of full frequency bands

        作者比较了10通道、14通道、18通道和32通道脑电图信号在valence和arousal维度上的情绪识别准确性。如表2所示

        结果差别不大，准确率随着通道数量的增加而提高。

        Paired sample T-tests：

6.2 Varying the EEG frequency bands and channel combinations

        结果表明，与低频带相比，高频带与valence和arousal的关系更密切。对于不同频带，valence和arousal的准确率仍然与信道数量成正相关。

6.3 conclusion

        在本节中，我们的结果与其他人对DEAP数据集的研究结果进行了比较。在表7中，列出了该比较的结果，这表明我们对不同通道组合（10、14、18和32）的研究的分类精度优于其他研究的结果。

7. conclusion

在EEG情绪分类中，脑电数据预处理的方法，脑电特征等等很多因素都会影响分类的准确性。我们很难在不同的论文中简单的评估某种因素对准确率的影响，除非其它因素的处理方法完全相同。一般来说，每篇论文都包含一个或多个以上因素对脑电图分类准确性的影响的比较。

在本文中，作者探索了10，14，18，32个通道对分类准确率的影响。使用一种归一化方法对DEAP的数据进行预处理。以4s作为窗口的数据通过db4 DWT 4-time decompositio分成4个频带。然后计算每个频带的熵和能力作为KNN classifier的输入特征。

结果表明：

1. γ频带具有最高的准确率。

2. 在γ频带上，不同通道的valence准确为89.54%, 92.28%, 93.72%and 95.70%。arousal准确率为89.81%, 92.24%, 93.69%and 95.69%

3. γ频带与情绪识别的关联性更强。随着EEG通道数量的上升，准确性也在提高。