劉 宏,陳玲鈺,韋小平,張釋文,張 錦,2

1(湖南師范大學(xué) 信息科學(xué)與工程學(xué)院,長沙 410081)

2(長沙理工大學(xué) 計算機(jī)與通信工程學(xué)院,長沙 410114)

人的大腦是復(fù)雜而高效的.多年來,人們一直試圖模擬大腦的功能和運行機(jī)制來執(zhí)行復(fù)雜的信號處理功能.人工神經(jīng)網(wǎng)絡(luò)是從大腦神經(jīng)系統(tǒng)中衍生出來的一種模型,被廣泛應(yīng)用于模式識別領(lǐng)域.腦電圖(EEG)是研究大腦活動最常用的信號之一,不同場景下腦電信號的識別,則被用于診斷各種腦相關(guān)的疾病,如癲癇[1-3]、抑郁癥[4]、阿茲海默癥[5]等,同時在認(rèn)知[6-8]、記憶和情緒[9-11]等相關(guān)腦活動的研究方面也顯示出巨大的潛力.因此,借助人工神經(jīng)網(wǎng)絡(luò)來對腦電信號進(jìn)行識別,對腦疾病的診斷,大腦相關(guān)活動的功能和機(jī)制的研究具有重要的意義.

在眾多人工神經(jīng)網(wǎng)絡(luò)模型中,傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型依靠研究者手動提取原始數(shù)據(jù)的特征,來引導(dǎo)模型識別準(zhǔn)確率的提高; 以深度學(xué)習(xí)為代表的人工神經(jīng)網(wǎng)絡(luò)模型將傳統(tǒng)模型中的原始數(shù)據(jù)特征提取和分類兩步融為一步,在訓(xùn)練數(shù)據(jù)足夠的情況下能獲得更好的識別效果.

但是,研究一種有效的腦電信號特征提取方法本身比較費時費力,且對于一些中小型腦電數(shù)據(jù)集而言,可能存在特征提取方法有效,卻由于訓(xùn)練樣本數(shù)量不夠?qū)е碌淖R別效果不夠理想的情況.因此,探求一種新的人工神經(jīng)網(wǎng)絡(luò)模型對腦電信號進(jìn)行識別,具有重要的研究前景和價值.

針對腦電信號的識別問題,本文研究了一種重要性可能被忽略的海馬神經(jīng)回路模型—KIV 模型.KIV模型是K 系列模型的最高級別模型.K 系列模型包括K0、KI、KII、KIII、KIV 模型,從低到高層次逐步實現(xiàn)了從細(xì)胞水平到大腦半球的模擬.其中,基于嗅覺神經(jīng)系統(tǒng)的解剖結(jié)構(gòu),KIII 模型模擬了嗅覺神經(jīng)系統(tǒng),包括其主要結(jié)構(gòu),如球周細(xì)胞(periglomerular cell,PG)、嗅球(olfactory bulb,OB)、前嗅核(anterior olfactory nucleus,AON)和梨狀皮質(zhì)(prepyriform cell,PC),能夠模擬嗅覺信息的傳遞過程.KIII 模型表現(xiàn)出良好的模式識別能力,只需少量迭代次數(shù)就可記憶不同的模式.目前的研究已經(jīng)將KIII 模型應(yīng)用于圖像識別[12,13],語音識別[14],文本分類[15],腦電識別[16]等方面,并獲得了良好的識別結(jié)果.KIV 模型包含3 個KIII 模型和一個KII 模型,分別模擬了大腦中的感覺皮層(sensory cortices)、海馬(hippocampus)、中線前腦(midline forebrain)和杏仁核(amygdala),描述了行動、規(guī)劃和空間定位功能的選擇.在模擬的火星環(huán)境中[17,18],作為機(jī)器人的控制系統(tǒng),3 個KIII 模型分別接收感覺信息(包括視覺、聽覺、觸覺等)、方位信息和內(nèi)部感受信息,使得KIV 模型能夠模擬大腦在導(dǎo)航時的記憶功能,對環(huán)境信息的輸入做出迅速、準(zhǔn)確的學(xué)習(xí)和反應(yīng).

基于KIII 模型的功能和特性,本文擴(kuò)展了KIV 模型在腦電識別領(lǐng)域的應(yīng)用.癲癇腦電和情感腦電信號的識別一直是腦電識別領(lǐng)域的研究熱點,分別對癲癇發(fā)作的診斷治療和與情緒相關(guān)的大腦活動的研究具有重要意義.本文介紹了KIV 模型的結(jié)構(gòu)和原理,分析了KIV 模型的動力學(xué)行為,并針對癲癇腦電和情感腦電的識別問題,使用KIV 模型進(jìn)行探索和研究.

1 KIV 模型及分析

1.1 KIV 模型

KIV 模型由Kozma 等人提出[19],模擬了感覺皮層-海馬的神經(jīng)回路,描述了大腦的非線性動力學(xué),以非周期時空振蕩形式對感覺信息進(jìn)行編碼,能夠模擬原始脊椎動物前腦在簡單意向行為中的作用.KIV 模型的構(gòu)建具有較強(qiáng)的生理學(xué)基礎(chǔ).從模型搭建依據(jù)來看,構(gòu)建模型所需的參數(shù)是通過分析從感覺皮層和大腦邊緣結(jié)構(gòu)的多個電極同時記錄的腦電圖得到的[20]; 從結(jié)構(gòu)上來講,KIV 模型模擬了原始脊椎動物前腦中的關(guān)鍵結(jié)構(gòu),包括感覺皮層、海馬、中線前腦和杏仁核.

K 系列模型基于神經(jīng)團(tuán)理論而建立,神經(jīng)團(tuán)理論[21]是指相似的神經(jīng)元組成的細(xì)胞團(tuán)具有相似的功能和一致的特性.K0 模型模擬了興奮性和抑制性的細(xì)胞團(tuán)的活動,是K 系列模型最基本的組成單元.通過耦合多個興奮性或抑制性細(xì)胞團(tuán)的K0 模型,可以形成KIe(興奮性)或 KIi(抑制性)模型,如圖1.KII 模型由兩個KI 模型側(cè)向連接而成(如圖2),模擬了興奮性和抑制性細(xì)胞團(tuán)的相互作用,它們可以在伽馬范圍內(nèi)的窄帶頻率上表現(xiàn)出極限環(huán)周期振蕩.KI、KII 模型也是K系列模型的基本組成模塊.KIII 模型由幾組KI、KII模型通過前向連接、延遲性反饋連接等方式構(gòu)成,可模擬生物細(xì)胞層的動態(tài)神經(jīng)活動,如嗅覺的產(chǎn)生過程.KIV 模型由3 組KIII 和1 組KII 模型相互作用而成,它模擬了低等動物的外部感覺神經(jīng)系統(tǒng),顳葉中的海馬回路和內(nèi)部感覺系統(tǒng),能夠?qū)崿F(xiàn)各種類型的動態(tài)神經(jīng)活動.總體而言,K 系列模型以共享的、非周期波形的形式顯示出了空間相干性,并在時間序列上表現(xiàn)出振幅調(diào)制模式[12],K 系列模型的層次結(jié)構(gòu)關(guān)系[22]如圖3所示.

圖1 KI 模型拓?fù)浣Y(jié)構(gòu)圖

圖2 KII 模型拓?fù)浣Y(jié)構(gòu)圖

圖3 K 系列模型層次結(jié)構(gòu)關(guān)系

由神經(jīng)團(tuán)理論和生理學(xué)基礎(chǔ),K 系列模型所有細(xì)胞團(tuán)的脈沖狀態(tài)變化可以用式(1)-式(3)來描述:

其中,a和b是基于生理實驗確定的反映輸入快慢的速率常數(shù),Xi(t)、Xj(t)是第i、j個神經(jīng)團(tuán)在時間t的脈沖密度,Wij代表第j個神經(jīng)團(tuán)到第i個神經(jīng)團(tuán)的突觸連接權(quán)重.在脈沖信號傳遞的過程中,樹突將接收到的軸突脈沖轉(zhuǎn)換成波,該波隨后被軸突轉(zhuǎn)換回脈沖.假設(shè)脈沖到波的傳遞函數(shù)是線性的,而波到脈沖的傳遞函數(shù)是非線性的,該非線性的S 型輸入/輸出函數(shù)用Q(Xi(t),q)來描述.這里,q表示Sigmoid 函數(shù)的最大漸近線.Ii(t)表示第i個神經(jīng)團(tuán)接收的外部輸入,N表示同一細(xì)胞層中相同細(xì)胞團(tuán)的數(shù)量.

本文研究的是模擬了大腦邊緣系統(tǒng)的KIV 模型,不包括中線前腦,其組成結(jié)構(gòu)如圖4 所示.完整的KIV 模型結(jié)構(gòu)詳見文獻(xiàn)[19].邊緣系統(tǒng)的KIV 模型由2 個KIII 模型和1 個KII 模型組成,分別模擬感覺皮層、海馬區(qū)和杏仁核.其中,感覺皮層包括球周細(xì)胞(periglomerular,PG)、嗅球?qū)?olfactory bulb,OB)、前嗅核(anterior olfactory nucleus,AON)、梨狀皮質(zhì)(prepyriform cortex,PC),海馬區(qū)包括齒狀回(dentate gyrus,DG)和海馬切片(hippocampal sections,CA1-CA3).DG、PG 為KI 模型,CA1、CA2、CA3、OB、AON、PC、AMY 為KII 模型.

圖4 KIV 模型結(jié)構(gòu)圖

根據(jù)KIV 模型的結(jié)構(gòu),本文給出了KIV 模型的拓?fù)浣Y(jié)構(gòu)圖,如圖5 所示.圖中各細(xì)胞層中的E1、E2 代表興奮性神經(jīng)元,I1、I2 代表抑制性神經(jīng)元,D1-D7 表示延遲反饋連接.根據(jù)圖5 和文獻(xiàn)[23]的參數(shù),本文在Matlab 上對KIV 模型進(jìn)行建模實現(xiàn).

1.2 KIV 模型動力學(xué)特性分析

KIV 模型中每個神經(jīng)團(tuán)細(xì)胞的動力學(xué)方程通過Runge-Kutta 方法求解,在迭代過程中產(chǎn)生了各個神經(jīng)元節(jié)點的狀態(tài)變量數(shù)值解以及一階微分值(t=0 時刻所有神經(jīng)元狀態(tài)變量及其一階微分值均為0).因此,可通過仿真輸入的方法對KIV 模型的動力學(xué)特性進(jìn)行分析.

1.2.1 無外加刺激時典型神經(jīng)元節(jié)點的響應(yīng)

無論何時,KIV 模型中PG 層和AON 層都分別接收外周噪聲和中間噪聲,即圖5 中的peripheral noise和central noise,該噪聲用均值為0 的高斯分布來模擬.噪聲的引入不但不會破壞KIV 模型的穩(wěn)定性,反而會使模型隨時保持一種激活的狀態(tài),消除模型對初值和參數(shù)的敏感性,從而提高模型的魯棒性.這也是KIV模型和一般的人工神經(jīng)網(wǎng)絡(luò)模型不同之處之一.

圖5 KIV 模型拓?fù)浣Y(jié)構(gòu)

首先,研究在沒有外加輸入刺激、只有內(nèi)部噪聲的情況下,KIV 模型中典型神經(jīng)元節(jié)點的動力學(xué)行為.設(shè)置總時長為1 200 s,分別選取每一層中的興奮性輸入神經(jīng)元E1 和OB 層的抑制性神經(jīng)元I1,其響應(yīng)圖如圖6 所示.圖中,橫軸表示仿真輸入的時間,單位為s;縱軸表示神經(jīng)元節(jié)點對輸入刺激的響應(yīng)幅值,單位為mV.

從圖6 可以看到,在沒有外加刺激、只有外周噪聲和中間噪聲的情況下,整個KIV 模型處于一種低水平的靜息狀態(tài).

圖6 無外加刺激時KIV 模型中典型神經(jīng)元的響應(yīng)

1.2.2 有外加刺激時典型神經(jīng)元節(jié)點的響應(yīng)

接下來,研究有外加刺激時,KIV 模型PG 層和OB層中輸入和輸出節(jié)點的響應(yīng).在300 s 時,給予KIV 模型幅值為1 mV 的輸入刺激,并在900 s 時撤去刺激,刺激持續(xù)時間為600 s,其響應(yīng)如圖7 所示.

圖7 有外加刺激時KIV 模型中典型神經(jīng)元的響應(yīng)

可以看到,在加入刺激后,PG1 節(jié)點在300-900 s之間出現(xiàn)了階躍響應(yīng),900 s 后PG 層對外周噪聲更加敏感,主要表現(xiàn)為PG1 節(jié)點在900 s 后的幅值比300 s前的幅值要大.而OB 層的E1 節(jié)點和I1 節(jié)點在300-900 s 之間也產(chǎn)生一定的階躍現(xiàn)象,并表現(xiàn)出等幅振蕩,且撤去刺激后OB 層的輸入輸出節(jié)點仍然表現(xiàn)出高活躍狀態(tài).

1.2.3 無/有外加刺激時的相圖

KIV 模型中一共有30 種節(jié)點,要描述整個系統(tǒng)在空間中的軌跡顯然是不可能的,因此只能通過系統(tǒng)中部分節(jié)點狀態(tài)變量之間形成的軌跡,即系統(tǒng)的相圖,來間接地對整個系統(tǒng)的空間軌跡進(jìn)行分析.本節(jié)從細(xì)胞層的角度對KIV 模型的動力學(xué)行為進(jìn)行分析,通過選取OB 層、AON 層、CA3 層和AMY 層中的輸入和輸出節(jié)點,刺激時間及強(qiáng)度同第1.2.2 節(jié),分別研究這4 對節(jié)點在無/有外加刺激時的響應(yīng),其相圖分別如圖8、圖9 所示,其中,橫縱坐標(biāo)分別表示該層E1、I1 節(jié)點在不同時刻的響應(yīng)幅值.

從圖8 和圖9 可以看到,CA3 層和AMY 層一直處于收斂狀態(tài),加入刺激前,OB 層和AON 層處于一個復(fù)雜的非收斂狀態(tài),但大多數(shù)時間內(nèi)處于有界區(qū)域; 加入刺激后,OB 層和AON 層軌跡迅速收斂,且在OB 層的E1-I1 節(jié)點相圖中出現(xiàn)了穩(wěn)定的極限環(huán).整個KIV模型從局部穩(wěn)定進(jìn)入了全局穩(wěn)定的狀態(tài).

圖8 無外加刺激時KIV 模型的相圖

圖9 有外加刺激時KIV 模型的相圖

1.2.4 輸入不同強(qiáng)度刺激時的M1-G1 相圖

從第1.2.3 節(jié)可以得知,當(dāng)外加恒定輸入時,KIV 模型會對外加刺激形成穩(wěn)定的極限環(huán).接下來,本文研究當(dāng)輸入不同強(qiáng)度刺激時E1-I1 節(jié)點相圖的變化.同樣設(shè)置在300 s 時,給KIV 模型輸入持續(xù)時間為600 s的刺激,刺激幅值分別為1 mV、2 mV、3 mV、4 mV.不同強(qiáng)度刺激下的E1-I1 節(jié)點相圖依次如圖10 所示,其中,紅色部分表示300-900 s 之間E1-I1 節(jié)點的軌跡.

從圖10 中可以看到,對于不同強(qiáng)度的輸入刺激,E1-I1 相圖中形成的系統(tǒng)軌跡是不同的,即不同的刺激能使KIV 模型形成不同的穩(wěn)定極限環(huán).

圖10 不同強(qiáng)度刺激下的M1-G1 相圖

對應(yīng)到實際的應(yīng)用情景(如腦電識別)中,當(dāng)KIV模型接收了腦電信號,系統(tǒng)的時空模式會迅速轉(zhuǎn)換到對應(yīng)的局部吸引子(即極限環(huán))中.對于不同模式的腦電信號,KIV 模型可以通過系統(tǒng)表現(xiàn)出的極限環(huán)對其不同的時空模式進(jìn)行區(qū)分,并通過KIV 模型的學(xué)習(xí)算法,調(diào)整輸入層對應(yīng)節(jié)點間的連接權(quán)值對目標(biāo)模式進(jìn)行記憶和識別.即KIV 模型具有一定的腦電識別潛力,后續(xù)的研究可將KIV 模型應(yīng)用于腦電信號識別.

2 基于KIV 模型的腦電識別

2.1 癲癇腦電識別

癲癇是一種由腦部神經(jīng)元陣發(fā)性異常放電引起的慢性神經(jīng)系統(tǒng)疾病,也是全球最常見的神經(jīng)系統(tǒng)疾病之一.癲癇的發(fā)作人群不分年齡和性別,發(fā)作時可導(dǎo)致短暫的大腦功能失調(diào),如意識喪失,運動、知覺、情緒或精神功能的混亂等.癲癇反復(fù)發(fā)作會對患者的精神與認(rèn)知功能造成持續(xù)性的負(fù)面影響,嚴(yán)重時甚至危及生命.

臨床上對癲癇發(fā)作的監(jiān)測通常是通過檢測癲癇發(fā)作期間或發(fā)作前不久所特有的棘波或尖波[24]等實時腦電波形,來分析并診斷患者是否發(fā)作.目前,基于EEG的癲癇發(fā)作自動檢測技術(shù)獲得了越來越多的研究者的關(guān)注.

癲癇發(fā)作自動檢測[25]是指在連續(xù)腦電監(jiān)測過程中,當(dāng)患者癲癇發(fā)作時,系統(tǒng)以盡可能短的延遲識別發(fā)作的開始,并描述持續(xù)時間,它包括4 個步驟: 信號采集、信號預(yù)處理、特征提取、分類模型學(xué)習(xí)與評估,其核心是對癲癇波的檢測與識別.基于KIV 模型的動力學(xué)特性,本節(jié)使用KIV 模型對癲癇腦電信號進(jìn)行識別研究.

2.1.1 數(shù)據(jù)集介紹

本節(jié)所用的數(shù)據(jù)集是公開的Bonn 腦電數(shù)據(jù)集.它采集的是5 個受試者在不同狀態(tài)下的原始腦電信號,這5 個子數(shù)據(jù)集分別被命名為I、II、III、IV、V,數(shù)據(jù)集的詳細(xì)描述見表1.每一個子數(shù)據(jù)集中包含100 導(dǎo)聯(lián)信號,每一導(dǎo)聯(lián)信號包含4 097 個數(shù)據(jù)點.信號的采樣頻率是173.61 Hz,每一導(dǎo)聯(lián)信號的采樣持續(xù)時間為23.6 s.

表1 BONN 數(shù)據(jù)集描述

腦電信號屬于時變信號,復(fù)雜的特征提取過程不是必須的.因此,本文在識別腦電信號時,對原始腦電信號不做特征提取,只進(jìn)行維度上的切分預(yù)處理.本節(jié)中,首先對這5 個子數(shù)據(jù)集進(jìn)行分割處理,主要包含兩部分: (1)將通道數(shù)對半分割,分別分為1 段、2 段、4 段,對應(yīng)的子樣本分別有100 通道、50 通道、25 通道; (2)將每一通道上的數(shù)據(jù)點分別分為30 段、40 段、50 段、60 段,相應(yīng)的每一段的數(shù)據(jù)點即序列長度分別為136、102、81、68.因此,每個子數(shù)據(jù)集分割后的樣本有12 種規(guī)模,相應(yīng)的產(chǎn)生了12 組實驗.

2.1.2 實驗過程

KIV 模型學(xué)習(xí)和識別腦電信號的過程見圖11,詳細(xì)如下.

圖11 實驗過程流程圖

(1)訓(xùn)練: 將處理后的數(shù)據(jù)輸入到多通道KIV 模型中,通過提取每一通道中OB 層腦電信號的方差,來計算訓(xùn)練集中當(dāng)前樣本的聚類中心,在此過程中不斷更新OB 層輸入神經(jīng)元間的連接權(quán)重和模型的Hebbian學(xué)習(xí)參數(shù).得到訓(xùn)練集所有樣本的聚類中心后,通過分別取平均值得到每一類腦電數(shù)據(jù)的聚類中心,并固定輸入層神經(jīng)元間的連接權(quán)重和Hebbian 學(xué)習(xí)參數(shù).

(2)測試: 輸入測試集進(jìn)行測試.同樣提取OB 層中每一通道腦電信號的方差,以計算當(dāng)前測試樣本的聚類中心,并利用歐式距離與每一類腦電信號的聚類中心進(jìn)行對比,根據(jù)最小值得到當(dāng)前樣本的識別結(jié)果.測試集中所有樣本的識別結(jié)果得出后,根據(jù)測試集中正確識別樣本個數(shù)與樣本總個數(shù)得出最終的識別準(zhǔn)確率.

2.1.3 實驗結(jié)果及分析

在實驗中,不同的訓(xùn)練集和測試集的比例可能會對識別結(jié)果造成一定的影響.因此,本節(jié)設(shè)計了3 組實驗,其訓(xùn)練集的比例分別為60%、70%和80%,然后按照第3.1.2 節(jié)的實驗流程進(jìn)行實驗,得到的實驗結(jié)果如圖12-圖14 所示.

圖12 訓(xùn)練集比例為60%時的識別結(jié)果

圖12-圖14 分別表明,當(dāng)通道數(shù)為25 時,不管將同一通道上的數(shù)據(jù)點分為多少段,不同序列長度樣本的識別準(zhǔn)確率均能達(dá)到81%以上.而隨著樣本通道數(shù)的增加,輸入KIV 模型的腦電信號趨于完整,模型的識別準(zhǔn)確率越高.當(dāng)通道數(shù)為50 時,識別準(zhǔn)確率最為穩(wěn)定,為98%左右; 當(dāng)通道數(shù)為100 時,隨著樣本數(shù)的增加,識別準(zhǔn)確率最高可達(dá)99.50%.

比較圖12-圖14,對于相同通道數(shù)和序列長度的子樣本,當(dāng)訓(xùn)練集比例分別為60%、70%、80% 時,KIV 模型的識別準(zhǔn)確率有一定的提升.本節(jié)的實驗結(jié)果表明,KIV 模型具有較強(qiáng)的對不同模式的學(xué)習(xí)與分類能力,即只需學(xué)習(xí)60%的數(shù)據(jù),且只需學(xué)習(xí)一次,就能準(zhǔn)確地識別癲癇腦電信號.

圖13 訓(xùn)練集比例為70%時的識別結(jié)果

圖14 訓(xùn)練集比例為80%時的識別結(jié)果

將本節(jié)的實驗結(jié)果與已有的模型識別結(jié)果進(jìn)行對比,見表2.可以看到,與已有模型需復(fù)雜特征提取過程的實驗結(jié)果相比,KIV 模型在BONN 數(shù)據(jù)集的五分類任務(wù)上的識別準(zhǔn)確率最高,為99.50%,即,KIV 模型在BONN 數(shù)據(jù)集上的識別能力優(yōu)于現(xiàn)有方法.

表2 多種模型在BONN 上的識別準(zhǔn)確率對比

2.2 情感腦電識別

情感是人類日常生活中的基礎(chǔ),在認(rèn)知、交流、決策中扮演著重要的角色,情感的實時評估和調(diào)節(jié)可以改善人們的生活.近年來,情感識別已成為認(rèn)知科學(xué)、計算機(jī)科學(xué)、心理學(xué)等諸多領(lǐng)域的研究熱點.情感識別方法[26]大致上可以分為兩類,一種是基于非生理信號,例如面部表情、身體姿勢和語音信號等,另一種是基于生理信號,如腦電圖、肌電圖(EMG)和心電圖(ECG)等.與非生理信號相比,生理信號不受外界環(huán)境和主觀意志的影響,對情感狀態(tài)的估計具有可重復(fù)性和客觀性.其中,腦電信號,由于是從大腦皮層直接采集的,有利于反映人的情感狀態(tài),成為了研究大腦面對刺激時產(chǎn)生情緒反應(yīng)的首選載體.

情感分為很多類,研究者認(rèn)為,情感是有維度的,目前廣泛應(yīng)用的二維模型是效價度(valence)和激活度(arousal)組成的激活度－效價空間[30],如圖15 所示,水平軸表示效價維,評價情感的積極和消極程度,數(shù)值越大情感越積極; 垂直軸表示激活維度,描述情感的激烈程度,數(shù)值越大情感越激烈.

圖15 激活度-效價情感空間

然而,不同于癲癇腦電識別中癲癇波的檢測,情感評價本身具有一定的主觀性,因而準(zhǔn)確識別一段腦電信號中蘊含的情感具有更大的挑戰(zhàn)性.

2.2.1 數(shù)據(jù)集介紹

本節(jié)使用的數(shù)據(jù)集為公開的GAMEEMO 數(shù)據(jù)集[31],它采集的是受試者在視聽刺激下的原始腦電信號,包含4 種情感: funny、horror、boring、calm,分別在激活度－效價空間的不同象限.GAMEEMO 腦電信號的采樣通道數(shù)為14,每一通道上有38 252 個數(shù)據(jù)點.根據(jù)數(shù)據(jù)集的情感評價結(jié)果,本文選取了不產(chǎn)生重復(fù)情感的子數(shù)據(jù)集.

同對BONN 數(shù)據(jù)集的處理方法,本節(jié)對GAMEEMO數(shù)據(jù)集中每一通道上的數(shù)據(jù)點進(jìn)行切分預(yù)處理,將38 252 個數(shù)據(jù)點分別切分為100 段、150 段、200 段、250 段,相應(yīng)的每一段信號的序列長度分別為380、255、190、153,由此產(chǎn)生了4 組實驗.

2.2.2 實驗結(jié)果及分析

根據(jù)KIV 模型的識別原理及過程,本節(jié)得到的實驗結(jié)果如表3 所示.KIV 模型在GAMEEMO 數(shù)據(jù)集上的平均識別準(zhǔn)確率為88.80%.其中,對于序列長度為380 的子樣本,訓(xùn)練集的比例為70%時,識別效果最好,為90.83%.其混淆矩陣如圖16 所示,KIV 模型對4 種情緒的識別準(zhǔn)確率分別為86.67%、100%、96.67%、80.00%,其中horror 最高,calm 最低,這是由于horror情緒較為激烈易于識別,而calm 時腦電波形較為平緩,相對難以識別.

表3 KIV 在GAMEEMO 不同訓(xùn)練集比例上的識別結(jié)果 (%)

圖16 第2 組實驗結(jié)果混淆矩陣

將本節(jié)的實驗結(jié)果與已有模型的識別結(jié)果進(jìn)行對比,見表4.可以看到,本文采用GAMEEMO 數(shù)據(jù)集全部14 個通道的腦電信號,對比同樣的14 通道腦電信號分類任務(wù),KIV 模型的識別準(zhǔn)確率相比文獻(xiàn)[31]和文獻(xiàn)[32]分別高19%和14%左右; 對比四分類任務(wù),KIV 模型也表現(xiàn)出不錯的識別性能,識別準(zhǔn)確率最高為90.83%.整體而言,本節(jié)設(shè)置的情感腦電信號識別任務(wù)難度最高,但是相比于經(jīng)典的分類器KNN、SVM、Bi-LSTM等,KIV 模型仍表現(xiàn)出優(yōu)于已有方法的識別性能.

表4 多種模型在GAMEEMO 上的識別準(zhǔn)確率對比

3 結(jié)論與展望

本文分析了KIV 模型的動力學(xué)特性,發(fā)現(xiàn)KIV 模型能在輸入刺激后,從局部收斂狀態(tài)迅速進(jìn)入全局收斂狀態(tài),并表現(xiàn)出對刺激的高度敏感性.根據(jù)相圖中KIV 模型針對不同輸入模式形成了不同的穩(wěn)定極限環(huán),本文拓展了KIV 模型在腦電識別分類方面的應(yīng)用,在癲癇腦電識別和情感腦電識別中分別獲得了99.50%和90.83%的識別準(zhǔn)確率.與現(xiàn)有模型提取腦電特征之后的識別結(jié)果進(jìn)行對比,本文的實驗結(jié)果為腦電識別提供了新的思路和方法.

KIV 模型是一種優(yōu)秀的大腦半球仿生模型,對比一般的深度學(xué)習(xí)模型,具有較好的腦電信號識別能力.未來的工作可將KIV 模型應(yīng)用于模式識別的更多方面,這對探索和研究KIV 模型的模式識別能力具有重要的意義.