基于ELM的情緒分類模型研究

陳珊

摘要： 采用計(jì)算機(jī)進(jìn)行情緒判斷對(duì)實(shí)現(xiàn)人工智能、人機(jī)交互及智能計(jì)算等具有重要意義。本文在深入學(xué)習(xí)和研究腦電信號(hào)分析和處理的各種算法基礎(chǔ)上，進(jìn)行了對(duì)基于ELM的情緒分類模型研究。本文采用近似熵和小波能量熵算法生成三種不同的腦電信號(hào)特征，對(duì)ELM分類器進(jìn)行訓(xùn)練，同時(shí)與BP算法、GRNN和PNN算法進(jìn)行比較。實(shí)驗(yàn)表明，ELM極限學(xué)習(xí)機(jī)算法分類效果最好，其識(shí)別率達(dá)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%.

關(guān)鍵詞： 腦電信號(hào)；情緒分類；ELM；近似熵；小波能量熵

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

中圖分類號(hào)：TN911.7 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2017）04-0170-02

0 引言

情緒是人類的一種心理活動(dòng)，影響著人類生活、工作及身心健康等各個(gè)方面。通過(guò)情緒判斷模型研究不僅可以讓人們更好的管理和控制自己的不良情緒，提高工作效率，還有利于身心健康。腦電信號(hào)是一種復(fù)雜的隨時(shí)間變化的非穩(wěn)定信號(hào)，使用傳統(tǒng)的線性方法一般難以解決因腦電信號(hào)的非線性因素帶來(lái)的復(fù)雜性問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)模式分類方法非常適合于分析復(fù)雜的非線性信號(hào)問(wèn)題[1]，本文采用ELM來(lái)進(jìn)行情緒分類。

1 特征提取算法

1.1 近似熵

近似熵是一種用于定量描述時(shí)間序列復(fù)雜性的非線性動(dòng)力學(xué)參數(shù)，是對(duì)腦電信號(hào)的復(fù)雜性進(jìn)行評(píng)價(jià)和分析的方法。在計(jì)算過(guò)程中不需對(duì)數(shù)據(jù)做過(guò)多的處理，并且所需要的數(shù)據(jù)數(shù)列不需太長(zhǎng)便能得到可靠而穩(wěn)定的近似熵，因此被廣泛的用于分析復(fù)雜的腦電信號(hào)[2]。

1.2 小波能量熵

小波能量熵理論不僅具有小波時(shí)頻局部化能力和快速算法分析等獨(dú)特優(yōu)勢(shì)，還擁有信息熵對(duì)隨機(jī)信號(hào)復(fù)雜程度的統(tǒng)計(jì)特性，因此，小波變換與信息熵的結(jié)合能更好的對(duì)腦電信號(hào)進(jìn)行精確的分析[3]。

2 ELM極端學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM），是一種快速求解單隱層神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。該算法最大的特點(diǎn)是在選取內(nèi)權(quán)和偏置值等網(wǎng)絡(luò)參數(shù)時(shí)是隨機(jī)的，過(guò)程中無(wú)需調(diào)節(jié)，而外權(quán)值只需通過(guò)最小平方損失函數(shù)得到的最小二乘解確定，整個(gè)過(guò)程不需任何迭代步驟，最大程度的降低了網(wǎng)絡(luò)參數(shù)的確定時(shí)間，從而使ELM算法在保證學(xué)習(xí)精度的前提下能夠比傳統(tǒng)的學(xué)習(xí)算法速度更快更準(zhǔn)確[4]。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)中所用信號(hào)是通過(guò)腦電采集設(shè)備在六種不同情緒狀態(tài)下所采集的腦電信號(hào)。我們采用的測(cè)試方法為對(duì)測(cè)試所有群體的腦電數(shù)據(jù)，經(jīng)過(guò)近似熵和小波能量熵算法的特征提取，我們總共獲得十四組特征數(shù)據(jù)，每一組包括歡快、興奮、平和、傷感、恐懼、煩躁六種不同情緒的特征數(shù)據(jù)各34個(gè)樣本，一組總共包括204個(gè)樣本，我們將每一組不同情緒中的前17個(gè)樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后17個(gè)樣本作為測(cè)試數(shù)據(jù)。

從表1可知，在近似熵作為特征向量，ELM極限學(xué)習(xí)機(jī)識(shí)別率最高，所用時(shí)間最少，BP算法與PNN算法相比雖然識(shí)別率相近，但是BP算法所用時(shí)間是PNN算法的30多倍，而GRNN算法識(shí)別率在四種分類器中最低。

從表2可知，在小波能量熵作為特征時(shí)，識(shí)別精度最高的是ELM和PNN算法，雖然PNN達(dá)到與ELM算法相同的識(shí)別率，但PNN算法所用的時(shí)間是ELM算法的2倍多，識(shí)別精度最低的與近似熵一樣都是GRNN分類器。雖然四種分類器對(duì)小波能量熵特征的分類效果均不是很理想，但從識(shí)別精度和工作效率兩方面也間接表明了ELM的分類器的優(yōu)于其他分類器。

從表3可知，在近似熵與小波能量熵組合形成特征向量時(shí)，除GRNN分類器外，其他三種分類器均可獲得較理想的識(shí)別效果。其中，ELM的識(shí)別精度和工作效率同樣優(yōu)于其他三種分類器，不僅識(shí)別精度達(dá)到87.25%，而且所用的時(shí)間也是四者中最少。BP算法與PNN算法相比，雖然BP算法的識(shí)別率略高于PNN算法，但其所用時(shí)間卻是PNN算法的20多倍。相比之下，GRNN分類性明顯弱于其他三種分類算法。

實(shí)驗(yàn)表明，ELM分類器與其他三種分類器相比具有更高地識(shí)別率和工作效率，若將其用于其他腦電信號(hào)的分類，可以獲得較穩(wěn)定的分類效果。GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)算法的分類效果始終都不理想，在四種分類器中的分類效果也始終最差，所以不建議采用GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)作為分類算法。

4 結(jié)論

本文主要研究了基于ELM的情緒分類模型。傳統(tǒng)的一些基于梯度下降法的算法，需要在迭代過(guò)程中調(diào)整所有網(wǎng)絡(luò)參數(shù)，來(lái)解決這類問(wèn)題。但在ELM算法中，不需要如此繁瑣的去調(diào)整網(wǎng)絡(luò)參數(shù)，只需隨機(jī)確定輸入的權(quán)重和隱層的偏置便可得到隱層的輸出矩陣。

ELM極限學(xué)習(xí)算法、BP人工神經(jīng)網(wǎng)絡(luò)算法、GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)算法和PNN概率神經(jīng)網(wǎng)絡(luò)算法相比，在三種不同的特征向量下，ELM極限學(xué)習(xí)機(jī)算法始終占據(jù)優(yōu)勢(shì)地位，在識(shí)別率與工作效率方面始終在高于其他三種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并且在近似熵與小波能量熵組合形成的特征向量情況下每一種分類器的識(shí)別率均高于其本身對(duì)另外兩種特征的識(shí)別。

參考文獻(xiàn)：

[1]袁琦，周衛(wèi)東，李淑芳，等.基于ELM和近似熵的腦電信號(hào)檢測(cè)方法[J].儀器儀表學(xué)報(bào)，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.汽輪發(fā)電機(jī)轉(zhuǎn)子繞組故障的檢測(cè)方法研究[D].華北電力大學(xué)，2009.

[4]趙志勇，李元香，喻飛，等.基于極限學(xué)習(xí)的深度學(xué)習(xí)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2015（4）：1022-1026.