EEG Feature Selection via Global Redundancy Minimization for Emotion Recognition 论文笔记

最新推荐文章于 2024-10-10 23:08:56 发布

原创

最新推荐文章于 2024-10-10 23:08:56 发布 · 534 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#特征提取 #情绪识别 #EEG #论文笔记

本文提出了一种GRMOR特征选择方法，针对高密度EEG数据中的冗余问题，通过最小化全局冗余实现特征子集优化。方法利用正交回归评估冗余，有效去除冗余特征，提高情绪识别准确性和样本效率。实验在DEAP、SEED和HDED数据集上展示了优于其他算法的结果，但可能不适用于半监督和无监督学习。

概述

提出了一种基于最小化全局冗余的特征提取算法(global redundancy minimization in orthogonal regression)。

研究动机

基于EEG的情绪识别研究大多使用低密度(小于128个通道)的EEG数据，如SEED [71]和DEAP[72]数据库。低密度脑电图的缺点是其空间分辨率差。随着脑电设备的发展，高密度脑电(超过 128个通道)因其高空间分辨率在情绪识别领域受到越来越多的关注。与低密度脑电信号相比，高密度脑电信号可以为情绪识别任务提供更丰富的空间信息。但基于EEG的情绪识别数据 [16]、[17]的样本量小，高维EEG特征容易导致分类器过拟合和情识别性能差。

在现有的研究中[26]，[47]，高度相关特征的特征排名往往是几乎相等的，因为它们被认为对分类任务[26]，[47]同样重要。结果表明，在选取的特征子集中，得分最高的多个EEG 特征相互依赖、互为冗余[48]。由冗余的EEG特征不能提供额外有用的信息用于情绪识别，应该被去除[30]。

mRMR[20]和CMIM 方法[49]能在一定程度上最小化所选特征子集中的冗余信息。然而，因为采用贪心策略评估特征相关性，因此无法实现全局冗余最小化，所选择的EEG特征子集不是最优输出 [47]，[48]。

解决方案

针对这一问题，文章提出了一种新的EEG特征选择方法，即基于正交回归的全局冗余最小化(GRMOR)。引入了一个全局冗余评估项来计算EEG特征与其他特征的冗余之和。该方法能有效地从全局角度识别冗余脑电信号，进而获得具有鉴别性的非冗余脑电信号特征子集。

GRMOR 方法将全局冗余信息引入正交回归以准确评估冗余信息高度相关的 EEG 特征之间的关系。 GRMOR 是最小化以下问题：
$\begin{aligned} &\min _{W, \mathbf{b}, \theta}\left\|W^{T} \Theta X+\mathbf{b} \mathbf{1}_{n}^{T}-Y\right\|_{F}^{2}+\lambda \boldsymbol{\theta}^{T} A \boldsymbol{\theta} \\ &\text { s.t. } W^{T} W=I_{k}, \boldsymbol{\theta}^{T} \mathbf{1}_{d}=1, \boldsymbol{\theta} \geq 0 \end{aligned}$