第四章 基于改进迁移学习的情绪识别方法
4.1基于平均弗雷歇距离的 EEG 样本选择
由于不同参与者之间存在个体差异，所以不同参与者之间的 EEG 样本存在质量差异，样本之间的质量差异导致情绪识别结果较差。因此，高质量 EEG 样本的选择至关重要。弗雷歇距离最初是由 Frechet 提出的[66]，用来度量两条曲线之间的距离。然而，弗雷歇距离可能会引起 EEG 样本间距离的局部变形问题。AFD 将非线性 EEG 样本之间的距离作为一个整体来考虑，可以更好地反映整体的质量差异。因此，本章使用 AFD 来计算待识别者和已识别者的EEG 样本之间的相似度，以选择高质量 EEG 样本，提升 EEG 样本的样本质量。基于平均弗雷歇距离的 EEG 样本选择过程如图 4.1 所示。通过第三章提出的基于脑网络储备池计算的EEG 特征提取和基于岭回归的 EEG 特征增强得到 EEG 的增强特征，并利用待识别者和已识别者 EEG 样本之间的平均弗雷歇距离来选择高质量 EEG 样本。
第五章 总结与展望
5.1总结
情绪在人们的日常生活中具有十分重要的影响。情绪识别作为人工智能领域的热点，具有重要的研究意义。EEG 难以伪装且客观性强，能够真实地反映人类内在的情绪状态。而且EEG 时间分辨率高，能够满足实时、快速识别情绪的要求，所以本文以 EEG 作为情绪识别的依据，研究基于改进储备池计算和迁移学习的情绪识别方法。 本文的主要工作包括了以下几点：
（1）首先，综述了情绪识别国内外研究现状，并分析了优缺点。然后，综述了储备池计算的研究现状，并讨论了储备池计算的改进方向。最后，综述了迁移学习的研究现状，并讨论了迁移学习的改进方向。
（2）针对 EEG 具有的相关性、时序性和非线性特点，本文提出了一种基于改进储备池计算的情绪识别方法。为了充分利用 EEG 的相关性，计算 EEG 通道之间的相关性指数，构建得到脑网络结构，使用脑网络储备池计算对 EEG 进行特征提取。为了充分利用 EEG 的时序性，根据岭回归预测下一时刻的储备池状态，得到预测系数作为 EEG 的增强特征。为了处理EEG 的非线性，建立基于多层感知机的 EEG 特征分类模型进行分类。实验结果表明，基于改进储备池计算的情绪识别方法能够综合考虑 EEG 具有的相关性、时序性和非线性特点，从而将情绪识别准确率提高至 75.59%。
（3）针对基于神经网络的情绪识别方法存在样本数量不足和质量不高的问题，本文提出了一种基于改进迁移学习的情绪识别方法。为了提高 EEG 样本质量，计算待识别者和已识别者 EEG 样本之间的平均弗雷歇距离，筛选高质量 EEG 样本。为了扩大 EEG 样本数量，根据待识别者和已识别者之间的相关性，将已识别者 EEG 样本的特征迁移至待识别者。实验结果表明，基于改进迁移学习的情绪识别方法能够扩大高质量 EEG 样本数量，进一步将情绪识别准确率提高至 83.28%。
参考文献（略）
