基于ELM的情緒分類模型研究

陳珊

摘要： 采用計算機進行情緒判斷對實現人工智能、人機交互及智能計算等具有重要意義。本文在深入學習和研究腦電信號分析和處理的各種算法基礎上，進行了對基于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特征，對ELM分類器進行訓練，同時與BP算法、GRNN和PNN算法進行比較。實驗表明，ELM極限學習機算法分類效果最好，其識別率達到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%.

關鍵詞： 腦電信號；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：TN911.7 文獻標識碼：A 文章編號：1006-4311（2017）04-0170-02

0 引言

情緒是人類的一種心理活動，影響著人類生活、工作及身心健康等各個方面。通過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。腦電信號是一種復雜的隨時間變化的非穩定信號，使用傳統的線性方法一般難以解決因腦電信號的非線性因素帶來的復雜性問題。人工神經網絡作為一種自適應模式分類方法非常適合于分析復雜的非線性信號問題[1]，本文采用ELM來進行情緒分類。

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間序列復雜性的非線性動力學參數，是對腦電信號的復雜性進行評價和分析的方法。在計算過程中不需對數據做過多的處理，并且所需要的數據數列不需太長便能得到可靠而穩定的近似熵，因此被廣泛的用于分析復雜的腦電信號[2]。

1.2 小波能量熵

小波能量熵理論不僅具有小波時頻局部化能力和快速算法分析等獨特優勢，還擁有信息熵對隨機信號復雜程度的統計特性，因此，小波變換與信息熵的結合能更好的對腦電信號進行精確的分析[3]。

2 ELM極端學習機

極限學習機（Extreme Learning Machine，ELM），是一種快速求解單隱層神經網絡訓練算法。該算法最大的特點是在選取內權和偏置值等網絡參數時是隨機的，過程中無需調節，而外權值只需通過最小平方損失函數得到的最小二乘解確定，整個過程不需任何迭代步驟，最大程度的降低了網絡參數的確定時間，從而使ELM算法在保證學習精度的前提下能夠比傳統的學習算法速度更快更準確[4]。

3 實驗結果與分析

實驗中所用信號是通過腦電采集設備在六種不同情緒狀態下所采集的腦電信號。我們采用的測試方法為對測試所有群體的腦電數據，經過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據，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據各34個樣本，一組總共包括204個樣本，我們將每一組不同情緒中的前17個樣本數據作為訓練數據，后17個樣本作為測試數據。

從表1可知，在近似熵作為特征向量，ELM極限學習機識別率最高，所用時間最少，BP算法與PNN算法相比雖然識別率相近，但是BP算法所用時間是PNN算法的30多倍，而GRNN算法識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，識別精度最高的是ELM和PNN算法，雖然PNN達到與ELM算法相同的識別率，但PNN算法所用的時間是ELM算法的2倍多，識別精度最低的與近似熵一樣都是GRNN分類器。雖然四種分類器對小波能量熵特征的分類效果均不是很理想，但從識別精度和工作效率兩方面也間接表明了ELM的分類器的優于其他分類器。

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

實驗表明，ELM分類器與其他三種分類器相比具有更高地識別率和工作效率，若將其用于其他腦電信號的分類，可以獲得較穩定的分類效果。GRNN廣義回歸神經網絡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廣義回歸神經網絡作為分類算法。

4 結論

本文主要研究了基于ELM的情緒分類模型。傳統的一些基于梯度下降法的算法，需要在迭代過程中調整所有網絡參數，來解決這類問題。但在ELM算法中，不需要如此繁瑣的去調整網絡參數，只需隨機確定輸入的權重和隱層的偏置便可得到隱層的輸出矩陣。

ELM極限學習算法、BP人工神經網絡算法、GRNN廣義回歸神經網絡算法和PNN概率神經網絡算法相比，在三種不同的特征向量下，ELM極限學習機算法始終占據優勢地位，在識別率與工作效率方面始終在高于其他三種神經網絡結構，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別率均高于其本身對另外兩種特征的識別。

參考文獻：

[1]袁琦，周衛東，李淑芳，等.基于ELM和近似熵的腦電信號檢測方法[J].儀器儀表學報，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.汽輪發電機轉子繞組故障的檢測方法研究[D].華北電力大學，2009.

[4]趙志勇，李元香，喻飛，等.基于極限學習的深度學習算法[J].計算機工程與設計，2015（4）：1022-1026.