基于多源域遷移學(xué)習(xí)的腦電情感識(shí)別

婁曉光，陳蘭嵐，宋振振

(華東理工大學(xué) 信息科學(xué)與工程學(xué)院 化工過程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，上海 200237)

0 引 言

情感智能[1]是人與人之間交流過程中不可或缺的一部分，情感狀態(tài)識(shí)別是情感研究工作中的核心內(nèi)容。相較于其它方法，腦電信號(hào)靈敏度較高，能夠無視被試的情感偽裝，能直接反映與情感變化相關(guān)的大腦內(nèi)在狀態(tài)，因此越來越受到研究者的青睞。Li Mi等[2]提取腦電5個(gè)頻帶的能量信息作為特征，計(jì)算不同頻帶下導(dǎo)聯(lián)與情感的相關(guān)性，分析得出與情感狀態(tài)強(qiáng)相關(guān)的腦區(qū)與頻帶。

傳統(tǒng)的機(jī)器學(xué)習(xí)中要求訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)必須服從獨(dú)立同分布的約束條件，然而腦電信號(hào)存在很強(qiáng)的個(gè)體差異性，不同被試即使表達(dá)相同情感對(duì)應(yīng)產(chǎn)生的腦電特征也不盡相同，而遷移學(xué)習(xí)放寬了訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)服從獨(dú)立同分布的限制[3]，所以利用遷移學(xué)習(xí)可將從先前被試身上學(xué)到的知識(shí)或模式應(yīng)用到另一個(gè)新被試上，挖掘出源域被試和目標(biāo)被試間共享的信息，最終構(gòu)建適應(yīng)目標(biāo)被試數(shù)據(jù)分布的模型。

對(duì)于單源域遷移學(xué)習(xí)，如果領(lǐng)域間的相關(guān)性較低，直接遷移可能會(huì)產(chǎn)生負(fù)遷移現(xiàn)象[4]，并且在進(jìn)行跨被試情感識(shí)別時(shí)往往存在多個(gè)源域被試數(shù)據(jù)，因此可以利用多源域遷移學(xué)習(xí)來彌補(bǔ)單源域遷移學(xué)習(xí)的不足。目前鮮有文獻(xiàn)從樣本和特征兩個(gè)層面對(duì)待遷移的多源域數(shù)據(jù)進(jìn)行優(yōu)化的報(bào)道，本文提出用多源域選擇(multi-source domain selection，MDS)與遷移特征選擇(transfer feature selection，TFS)相結(jié)合的方式得到適宜遷移的數(shù)據(jù)，在此基礎(chǔ)上利用基于適配正則化線性回歸的遷移學(xué)習(xí)算法[5](adaptation regularization regularized least squares，ARRLS)對(duì)跨被試的情感數(shù)據(jù)進(jìn)行建模。

1 情感識(shí)別總體框架

針對(duì)多源域遷移學(xué)習(xí)問題，一種做法是將所有源域合并為一個(gè)大源域，另一種做法是將每個(gè)源域單獨(dú)考慮，訓(xùn)練多個(gè)子模型并將之集成。前者忽略了不同源域間的差異性導(dǎo)致建立的模型性能較差，后者需要建立多個(gè)遷移模型，往往計(jì)算時(shí)間過長(zhǎng)，且其中存在與目標(biāo)域相似度較低的源域個(gè)體，其模型在集成過程中會(huì)影響總體的識(shí)別精度。因此多源域數(shù)據(jù)的優(yōu)化選擇及集成學(xué)習(xí)是一個(gè)值得研究的問題。Liu等[6]在全局層面將不同域視為一個(gè)整體并縮小源域與目標(biāo)域間的差異，在局部層面分析不同域間的關(guān)系以最大化分類性能。K Vogt等[7]對(duì)多個(gè)源域賦予不同權(quán)重，使模型合理利用源域間的信息，以促進(jìn)目標(biāo)域的學(xué)習(xí)。

本文構(gòu)建的情感識(shí)別模型如圖1所示。首先對(duì)原始信號(hào)濾波并提取差分熵特征[8]，其次利用MDS-TFS-ARRLS算法構(gòu)建情感識(shí)別模型。該模型的構(gòu)建分為4個(gè)步驟，前兩步主要解決“什么樣的知識(shí)適合于遷移”的問題，即對(duì)待遷移的多源域數(shù)據(jù)進(jìn)行優(yōu)化；后兩步主要解決“知識(shí)如何遷移”的問題，即采用合適的遷移學(xué)習(xí)及集成學(xué)習(xí)算法。第一步利用多源域選擇算法(MDS)全面度量目標(biāo)域與其對(duì)應(yīng)的各個(gè)源域的相似性大小，從多個(gè)源域中過濾掉可能會(huì)導(dǎo)致負(fù)遷移現(xiàn)象的部分源域，保留最優(yōu)的源域集合，降低僅用單一源域數(shù)據(jù)進(jìn)行遷移帶來的風(fēng)險(xiǎn)，同時(shí)節(jié)約計(jì)算成本；第二步利用遷移特征選擇算法(TFS)從多個(gè)源域中尋找共同有效的特征子集，增強(qiáng)特征推廣性，從而使數(shù)據(jù)具有更好的遷移能力；第三步利用適配正則化線性回歸算法(ARRLS)構(gòu)建多個(gè)遷移學(xué)習(xí)模型，最后根據(jù)每個(gè)模型所對(duì)應(yīng)的源域與目標(biāo)域間的相似性大小分別賦予其不同權(quán)重建立集成遷移學(xué)習(xí)模型。

下面對(duì)MDS-TFS-ARRLS算法中各個(gè)環(huán)節(jié)分別進(jìn)行介紹。

圖1 情感識(shí)別模型總體框架

2 算法介紹

2.1 多源域選擇算法(MDS)

本文提出了一種多源域選擇算法(multi-source domain selection，MDS)，該算法目的在于通過領(lǐng)域間相似性的度量，從多個(gè)源域中篩選出與目標(biāo)域較為相似的源域集合?？紤]到僅從域-域?qū)用娑攘肯嗨菩跃哂衅嫘?，因此該算法又從樣?域?qū)用娑攘肯嗨菩源笮?。MDS算法首先計(jì)算域-域和樣本-域兩個(gè)層面的相似性，然后將這兩個(gè)層面的相似性值組成源域和目標(biāo)域的聯(lián)合相似度矩陣，并使用K-means算法對(duì)聯(lián)合相似度進(jìn)行聚類，自適應(yīng)選取最優(yōu)源域集合。其中，域-域相似性是基于領(lǐng)域間整體均值的差異，樣本-域相似性是基于所有目標(biāo)域樣本到源域的距離之和。MDS算法的計(jì)算過程如圖2所示，下面分別對(duì)相似性的計(jì)算和最優(yōu)源域集合的選取做出介紹。

圖2 MDS算法流程

2.1.1 域-域相似性計(jì)算

領(lǐng)域間整體數(shù)據(jù)差異在于兩者概率分布的不同導(dǎo)致數(shù)據(jù)分布的不同，常用的概率分布距離度量函數(shù)有相對(duì)熵[9]、布雷格曼散度[10]和最大均值差異(maximum mean discre-pancy，MMD)[11]。前兩種方法計(jì)算通常需要估計(jì)其分布密度，而最大均值差異可以用不同領(lǐng)域在無限維核空間中的均值差異來近似，計(jì)算相對(duì)簡(jiǎn)單且效率高，因此該方法的使用最為廣泛。本文采用MMD將源域和目標(biāo)域數(shù)據(jù)嵌入到共享的可再生希爾伯特空間中，在該空間中兩者間的均值差異代表相似度大小。MMD計(jì)算值越大代表領(lǐng)域間相似性越大。

(1)

(2)

其中，Ki,j=〈φ(xi),φ(xj)〉， 本文中采用線性核。L矩陣可由式(3)求得

(3)

2.1.2 樣本-域相似性計(jì)算

(4)

(5)

2.1.3 聯(lián)合相似性度量及聚類

(6)

本文利用K-means算法對(duì)相似度特征聚類，并將聚類數(shù)K取為2、3、5來分別確定其不同大小的最優(yōu)源域集合。并進(jìn)一步根據(jù)相似度向量的模值大小計(jì)算最優(yōu)源域集合中每個(gè)源域的權(quán)重ωm。ωm計(jì)算公式如下

(7)

2.2 遷移特征選擇算法(TFS)

為了進(jìn)一步降低后續(xù)遷移學(xué)習(xí)的計(jì)算成本、提高識(shí)別精度，本文使用遷移特征選擇算法篩選出適宜遷移的特征子集，該算法由兩個(gè)階段組成，其計(jì)算流程如圖3所示。

圖3 TFS算法流程

首先計(jì)算源域中每個(gè)特征對(duì)應(yīng)的Fisher Score[13]值，F(xiàn)isher Score屬于過濾型特征選擇算法，具有計(jì)算速度快適用性強(qiáng)的優(yōu)點(diǎn)。該算法通過度量樣本中類間散度與類內(nèi)散度的關(guān)系，判斷特征與類別標(biāo)簽間的相關(guān)性。本文根據(jù)Fisher Score準(zhǔn)則選取具有鑒別力的特征集合。Fisher Score的計(jì)算公式如下

(8)

其中，C為樣本類別數(shù)，特征fi的平均值為μi，nj為第j類樣本個(gè)數(shù)，μij和σij為第j類樣本特征fi的平均值與標(biāo)準(zhǔn)差。

遷移特征選擇算法第二部分通過衡量特征與域標(biāo)簽之間的相關(guān)性來選取源域與目標(biāo)域之間更具一致性的特征。通常特征選擇利用互信息來定義特征與類別標(biāo)簽間的相關(guān)性[14]，本文通過互信息來衡量特征與域標(biāo)簽之間的相關(guān)性，源域數(shù)據(jù)標(biāo)簽為S，目標(biāo)域數(shù)據(jù)標(biāo)簽為T。常用的相關(guān)性度量方法有Pearson相關(guān)系數(shù)和Spearman相關(guān)系數(shù)，但上述兩種方法只能度量變量間的線性關(guān)系，而互信息可以衡量非線性關(guān)系，并且對(duì)噪聲信號(hào)具有很好的魯棒性。此外，Pearson和Spearman相關(guān)系數(shù)的計(jì)算要求源域和目標(biāo)域樣本具有相同的實(shí)驗(yàn)采集順序，而利用互信息沒有該限制?；バ畔⒅翟酱蟠韮山M變量越相關(guān)，因此互信息值I(fi) 越小代表特征fi與域標(biāo)簽間的相關(guān)性越小，則在該特征表示下，領(lǐng)域間的差異較小。樣本x, y的概率密度與聯(lián)合概率密度計(jì)算互信息

(9)

圖4為利用互信息計(jì)算特征與域標(biāo)簽相關(guān)性示意圖，根據(jù)每個(gè)特征互信息的值對(duì)其排序，選取相關(guān)性較小的部分特征組成最終特征集合，該特征集合不僅具有良好的可分性，且能夠更好地反映出源域與目標(biāo)域數(shù)據(jù)間的共享信息。

圖4 特征與域標(biāo)簽相關(guān)性計(jì)算

2.3 適配正則化線性回歸算法(ARRLS)

遷移學(xué)習(xí)根據(jù)遷移的方式不同可分為：基于實(shí)例遷移、基于特征遷移、基于參數(shù)遷移和基于相關(guān)知識(shí)遷移。本文采用一種基于特征的遷移學(xué)習(xí)——適配正則化線性回歸算法(ARRLS)[5]，該算法同步優(yōu)化結(jié)構(gòu)風(fēng)險(xiǎn)泛函、聯(lián)合分布距離、流形不一致性等學(xué)習(xí)準(zhǔn)則[4]，同時(shí)能夠縮小領(lǐng)域間的數(shù)據(jù)結(jié)構(gòu)差異。其學(xué)習(xí)框架如式(10)所示

(10)

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)環(huán)境：Intel(R) Core(TM) i7-8750H CPU @2.20 GHz，8 G內(nèi)存，64位Windows10系統(tǒng)，算法的實(shí)現(xiàn)采用64位MATLAB R2016b。

本文以公開數(shù)據(jù)集SEED(SJTU Emotion EEG dataset)作為研究對(duì)象。根據(jù)國(guó)際10-20系統(tǒng)，使用62個(gè)通道的ESI-NeuroScan系統(tǒng)記錄腦電信號(hào)，采樣頻率為1000 Hz。該數(shù)據(jù)集了記錄了15名被試(包括7名男性8名女性)觀看不同類型視頻片段所采集的腦電數(shù)據(jù)。每名被試參加3次實(shí)驗(yàn)，時(shí)間間隔約為1周，共得到45組測(cè)試數(shù)據(jù)。被試觀看的視頻片段共分為3個(gè)不同情感類別，分別為Positive，Neutral，Negative[15]，每次實(shí)驗(yàn)過程中視頻開始前有一個(gè)5 s提示，表示視頻的開始，視頻結(jié)束后會(huì)有45 s的自我評(píng)估，最后有15 s的休息時(shí)間，觀看時(shí)長(zhǎng)約為4 min。

本文取每名被試第1次實(shí)驗(yàn)所得的15組實(shí)驗(yàn)數(shù)據(jù)作為分析使用。將初始腦電信號(hào)降采樣至200 Hz，并將每1 s的實(shí)驗(yàn)數(shù)據(jù)作為一個(gè)樣本，最終每名被試數(shù)據(jù)可得到3394個(gè)樣本。在5個(gè)頻帶上(delta:1 Hz-3 Hz, theta:4 Hz-7 Hz, alpha:8 Hz-13 Hz, beta:14 Hz-30 Hz, gamma:31 Hz-50 Hz)分別提取腦電信號(hào)的差分熵特征[11]，因此，每個(gè)樣本共有5×62(頻帶×導(dǎo)聯(lián))=310維特征。其中差分熵的計(jì)算公式如下所示

(11)

其中，t表示來自EEG信號(hào)的子帶信號(hào)，設(shè)該信號(hào)服從高斯分布N(μ,σ2)。 文獻(xiàn)[16]中證明原始觀測(cè)信號(hào)經(jīng)過帶通濾波后，其子帶信號(hào)的時(shí)間序列大致遵循高斯分布。

3.2 ARRLS算法性能分析

由于源域與目標(biāo)域數(shù)據(jù)分布不同，如果直接從源域中劃分出數(shù)據(jù)作為驗(yàn)證集確定算法的參數(shù)，通常會(huì)導(dǎo)致較差的測(cè)試集實(shí)驗(yàn)結(jié)果[10]。因此本文在一定范圍內(nèi)進(jìn)行了參數(shù)搜索，展示和對(duì)比了每種算法的最佳結(jié)果。這里SVM采用Lin開發(fā)的工具包LIBSVM[18]，其懲罰參數(shù)c在{2-5～25}內(nèi)搜索最優(yōu)結(jié)果，最終本文設(shè)置c=4。 TCA算法中γ,λ在{2-5～25}內(nèi)分別搜索最優(yōu)結(jié)果確定γ=1,λ=1。 ARRLS算法中參數(shù)采用基于分層網(wǎng)格搜索的優(yōu)化方法。首先將λ,γ參數(shù)在{2-5～25}內(nèi)搜索分別設(shè)置λ=1,γ=1， 其次將σ在 {0.001,0.01,0.1,0,1,10} 內(nèi)搜索后確定σ=0.1， 迭代次數(shù)設(shè)置為5。

表1中比較了ARRLS、SVM和TCA這3種算法的平均識(shí)別精度，圖5則更為詳細(xì)地展示了這3種算法的個(gè)體識(shí)別精度。從表1中可以看出，ARRLS在兩種核函數(shù)下均具有最優(yōu)的平均實(shí)驗(yàn)結(jié)果，且遷移學(xué)習(xí)算法在跨被試實(shí)驗(yàn)中實(shí)驗(yàn)結(jié)果強(qiáng)于SVM分類器。從圖5中可看出ARRLS算法在大多數(shù)個(gè)體上具有出色的識(shí)別精度。綜合分析上述實(shí)驗(yàn)結(jié)果，由于SVM分類器算法僅利用訓(xùn)練集數(shù)據(jù)構(gòu)建模型，而該模型并不能適配于測(cè)試集數(shù)據(jù)分布，因此難以取得理想實(shí)驗(yàn)結(jié)果。TCA算法雖然將數(shù)據(jù)投影到核空間中減少不同被試間邊緣分布差異，但未能考慮到被試間條件分布也存在差異，并且未能同時(shí)優(yōu)化損失函數(shù)與流形正則化，從而導(dǎo)致結(jié)果仍然不理想。ARRLS同時(shí)最小化損失函數(shù)、聯(lián)合概率分布函數(shù)、流形正則化，因此ARRLS方法在平均和個(gè)體識(shí)別結(jié)果上均表現(xiàn)良好且更穩(wěn)定。但從表1中可以看出ARRLS算法雖然識(shí)別精度高，但存在計(jì)算時(shí)間過長(zhǎng)的問題。

表1 不同分類算法的情感識(shí)別結(jié)果

圖5 單個(gè)個(gè)體識(shí)別準(zhǔn)確率

此外，通過圖6可以看出同一目標(biāo)域?qū)?yīng)的不同源域在使用ARRLS算法時(shí)分類結(jié)果相差較大。圖5中分別選取被試1，2作為目標(biāo)域。當(dāng)被試1作為目標(biāo)域時(shí)，被試2，3，12作為源域時(shí)識(shí)別精度較低。當(dāng)被試2作為目標(biāo)域時(shí)，被試3，12作為源域時(shí)識(shí)別精度較低。當(dāng)存在部分識(shí)別率較低的源域被試時(shí)，若直接對(duì)所有源域的識(shí)別結(jié)果投票將會(huì)導(dǎo)致最終模型識(shí)別率變低。針對(duì)上述存在的兩個(gè)不足，本文進(jìn)一步提出結(jié)合樣本選擇和特征選擇的多源域遷移學(xué)習(xí)算法。

圖6 被試1，2作為目標(biāo)域時(shí)不同源域的分類結(jié)果

3.3 MDS算法性能分析

為了提升識(shí)別效率同時(shí)提升模型性能，本文通過MDS算法衡量出源域與目標(biāo)域間相似性的大小，保留具有良好遷移能力的源域。圖7是一名被試作為目標(biāo)域，在K=2，3，5時(shí)14個(gè)源域被試根據(jù)相似性大小進(jìn)行聚類的示意圖。

圖7 MDS算法實(shí)驗(yàn)結(jié)果

被試間相似度大小可以由圖中每名被試的對(duì)應(yīng)點(diǎn)到原點(diǎn)的距離直觀看出，距離原點(diǎn)越遠(yuǎn)則相似性越高。從圖6中可以得出，不同源域被試與目標(biāo)域被試間的MMD值和Like值差異較大。K-means算法根據(jù)聯(lián)合相似度的大小將原始源域集合聚類，不同的K值得到的聚類結(jié)果也不相同，本文選取距離零點(diǎn)距離較遠(yuǎn)的集合作為最優(yōu)子集來避免出現(xiàn)負(fù)遷移現(xiàn)象。當(dāng)K=2時(shí)，保留形心模值較大的集合中所包含源域，此時(shí)聚類效果較為極端，所選取的最優(yōu)源域集合僅包含1名被試數(shù)據(jù)。當(dāng)K=3時(shí)，保留形心模值最大的2類包含的源域，此時(shí)最優(yōu)源域集合有8名被試組成。當(dāng)K=5時(shí)，保留形心模值最大的3類包含的源域，此時(shí)聚類結(jié)果適中，最優(yōu)源域集共有5名被試數(shù)據(jù)集組成。

3.4 TFS算法性能分析

由于原始數(shù)據(jù)中存在部分與標(biāo)簽無關(guān)且影響遷移效果的特征，因此本文采用TFS算法去除這些特征。TFS算法首先計(jì)算出所有特征權(quán)重值F(fi)，并根據(jù)權(quán)重值對(duì)所有特征排序。式(12)為當(dāng)維度為d時(shí)的特征權(quán)重占比率rate的計(jì)算公式，其中Z為特征總體維度，F(xiàn)(fi)為特征fi的Fisher Score大小

(12)

本文考慮到數(shù)據(jù)信息的完整性與計(jì)算成本控制，選取占比率為0.85時(shí)所對(duì)應(yīng)的最優(yōu)子集SF，特征維度d=100。對(duì)SF中的所有特征計(jì)算互信息I(fi)大小，并將由小到大排序，選取最終特征子集SI。圖8為Fisher Score與TFS算法在不同維度下的實(shí)驗(yàn)結(jié)果圖。

圖8 特征選擇實(shí)驗(yàn)結(jié)果

從圖8中可以看出，利用Fisher Score與TFS算法實(shí)驗(yàn)精度在初始階段會(huì)隨著所選特征數(shù)量的增加而提高，且TFS識(shí)別效果明顯優(yōu)于Fisher Score，這說明TFS算法成功選出對(duì)遷移有效的特征并排在特征序列的前列。但TFS算法所選特征維度達(dá)到一定維度后，其精度逐漸開始下降，這說明隨著后續(xù)與域標(biāo)簽強(qiáng)相關(guān)的特征加入集合中，源域與目標(biāo)域間的差異性也隨之增加，影響遷移效果，從而降低識(shí)別精度。

3.5 MDS-TFS-ARRLS算法性能分析

為了最大限度提升計(jì)算效率和分類效果，本文將MDS、TFS和ARRLS算法相結(jié)合進(jìn)行實(shí)驗(yàn)，并將之與其它組合方式做出對(duì)比。ARRLS、TFS-ARRLS、MDS-ARRLS和MDS-TFS-ARRLS分別對(duì)應(yīng)遷移學(xué)習(xí)，特征選擇+遷移學(xué)習(xí)，多源域選擇+遷移學(xué)習(xí)，多源域選擇+特征選擇+遷移學(xué)習(xí)4種情況，這4種方式在linear核情況下的實(shí)驗(yàn)結(jié)果見表2。

從表2中可以看出，僅使用ARRLS算法可以得到73.19%的準(zhǔn)確率，但所用的時(shí)間為1442 s，計(jì)算效率過低。TFS-ARRLS算法對(duì)所有源域進(jìn)行特征選擇，在60維下分類，從表中可以看出由于去除冗余特征即降低特征維度，使計(jì)算時(shí)間在一定程度上有所減少，減至703 s，同時(shí)準(zhǔn)確率也提高至78.96%。MDS-ARRLS算法為使用多源域選擇后再分類，隨著K值的不同對(duì)應(yīng)的樣本保留率也不同。當(dāng)K=2時(shí)，選取的樣本為原始的35%，所得準(zhǔn)確率略微低于原始準(zhǔn)確率。當(dāng)K=3或5時(shí)，所選樣本數(shù)量相對(duì)增加，其對(duì)應(yīng)的準(zhǔn)確率都高于原始值，并且可以看出3種K值的計(jì)算時(shí)間都大幅縮減。MDS-TFS-ARRLS算法中，同時(shí)兼顧了特征選擇和樣本選擇兩個(gè)方面，進(jìn)一步提升識(shí)別效率與識(shí)別率。當(dāng)K=2時(shí)，雖然計(jì)算時(shí)間最短，但由于去除了過多樣本信息，相較于TFS-ARRLS，計(jì)算準(zhǔn)確率降低了1.39%。K=3時(shí)，對(duì)應(yīng)準(zhǔn)確率為79.92%，相較于原始準(zhǔn)確率提高6.73%，計(jì)算效率提高3.84倍。K=5時(shí)，兼顧了分類準(zhǔn)確率和計(jì)算效率兩個(gè)方面，其分類準(zhǔn)確率提高6.35%同時(shí)計(jì)算效率提高5.02倍。

表2 4種遷移學(xué)習(xí)算法實(shí)驗(yàn)結(jié)果

從表3中給出當(dāng)K=3時(shí)，MDS-TFS-ARRLS在不同維度下的識(shí)別精度與計(jì)算時(shí)間的變化情況，當(dāng)保留較多特征時(shí)，其計(jì)算精度相對(duì)較高，但其計(jì)算成本同時(shí)也隨之提高。在實(shí)際應(yīng)用中可以根據(jù)實(shí)際所需選取合適的特征集合大小。

表3 MDS-TFS-ARRLS算法最終選取不同維度結(jié)果

綜合上述實(shí)驗(yàn)結(jié)果，本文所提出的MDS-TFS-ARRLS算法可以有效提高計(jì)算效率且提高分類準(zhǔn)確率。

3.6 同類結(jié)果對(duì)比

將本文提出的方法與同樣采用SEED數(shù)據(jù)集的其它方法的實(shí)驗(yàn)結(jié)果作對(duì)比，見表4。文獻(xiàn)[19]使用深度信念網(wǎng)絡(luò)(deep belief network，DBN)選取最優(yōu)電極組合，得到67.84%的分類精度；文獻(xiàn)[20]從腦電信號(hào)中提取18種線性和非線性腦電特征，并從中自動(dòng)選取與情感最相關(guān)的特征信息，利用支持向量機(jī)達(dá)到83.33%的識(shí)別率。這兩篇同類研究分別利用深度學(xué)習(xí)和淺層機(jī)器學(xué)習(xí)算法建立模型，但都沒有應(yīng)用遷移學(xué)習(xí)從本質(zhì)上減小源域與目標(biāo)域間數(shù)據(jù)分布差異。文獻(xiàn)[21]中采用辨別圖正則化極限學(xué)習(xí)機(jī)(GELM)來識(shí)別隨時(shí)間變化的穩(wěn)定模式，該文研究同一個(gè)被試跨天情感識(shí)別，因此訓(xùn)練集與測(cè)試集差異小于本文，最終分類精度為79.28%。文獻(xiàn)[22]使用最大獨(dú)立性領(lǐng)域自適應(yīng)算法(maximum independence domain adaptation，MIDA)，以差分熵作為特征取得72.31%的分類精度；文獻(xiàn)[23]使用TCA遷移學(xué)習(xí)方法，但訓(xùn)練集設(shè)置為隨機(jī)取出的5000個(gè)樣本，通過將數(shù)據(jù)降至30維取得69.44%的精度。上述兩篇文獻(xiàn)雖然都采用了遷移學(xué)習(xí)算法，但相較于本文，并未考慮多源域選擇算法去除會(huì)引起負(fù)遷移的源域。

表4 同類研究對(duì)比

4 結(jié)束語

本文提出一種將多源域選擇(MDS)、遷移特征選擇(TFS)和適配正則化線性回歸(ARRLS)結(jié)合建立模型的方法，并將其應(yīng)用到跨被試情感識(shí)別中。該模型考慮到目標(biāo)域與源域間相關(guān)性，用多源域選擇來合理選擇樣本信息；其次考慮到特征自身與類別標(biāo)簽和域標(biāo)簽間的相關(guān)性，使用遷移特征選擇算法去除冗余特征；最后對(duì)多個(gè)遷移學(xué)習(xí)分類模型集成。結(jié)果表明，本文算法可以去除數(shù)據(jù)集中的無關(guān)樣本與特征，具有良好的計(jì)算效率，該算法相比于其它方法具有更優(yōu)的跨被試情感識(shí)別能力。