EEG论文阅读和分析：《Differential entropy feature for EEG-based emotion classification》

论文阅读《Differential entropy feature for EEG-based emotion classification》

论文的核心是提出差分熵作为特征，并且对差分差分熵和比例差分熵等特征进行对比研究。

算法流程步骤：

采样过程：

A.预处理

根据受试者的压力反应，仅使用诱发目标情绪时收集的数据。为加快计算速度，EEG数据以200Hz的采样频率进行下采样，人工去除伪影。

B.特征的计算

本研究采用频域特征及其组合。采用无重叠Hanning窗口为1s的512点短时傅里叶变换计算频域特征。比较了ES、DE、DASM和RASM四种特征

1、SE

SE是5个频段的平均能量 (delta: 1-3Hz, theta: 4-7Hz, alpha: 8-13Hz, beta: 14-30Hz, gamma: 31-50Hz).

2、DE

3、DASM和RASM

其中，左右脑半球的通道选择如表1所示：

C.特征的平滑

为了去除与情绪状态无关的成分，分别采用移动平均滤波器和窗口长度为20s的线性动态系统(LDS)方法对特征序列进行平滑处理。

D.分类和分类器联合

在本研究中，使用了两种不同的训练和测试数据划分策略。1)使用一个实验的前8个阶段的数据来训练模型，并使用同一实验的其余4个阶段的数据来测试模型;2)使用同一受试者的一个实验数据来训练模型，使用同一受试者的另一个实验数据来检验模型。

采用两种分类器:线性核支持向量机(SVM)和k-最近邻(kNN)算法。

为了充分利用不同特征的优点，采用分类器组合的方法来提高分类器的性能。采用简单的算术组合方法，将DE、DASM和RASM训练的3个分类器分别在gamma频段进行组合。最大、和和和乘积规则是最简单的组合规则，它们将实例分类到具有最大概率的类中，最大概率是该类中不同分类器的概率的最大值、和或乘积。

E.降维降维

有助于提高计算的速度和稳定性。主成分分析(PCA)算法和最小冗余最大相关性(MRMR)[9]算法有助于降低本研究的维数

实验和讨论

A.使用同一个人的数据的不同特征和不同算法

结论：

1、DE系列的特征比ES优；

2、DE系列中 alpha beta gamma三个频带的区分性更强；

B.使用一个的数据训练的模型，去识别另一个人的数据

结论：

1、使用一个人的数据训练的模型，预测另一个人的数据，结果比同一个人数据训练，预测同一个人差；

2、使用一个人的数据训练的模型，预测另一个人的数据，SVM的性能比KNN优；

C.使用LDS特征平滑

结论：LDS提高准确度；

D.降维算法

结论：MRME比PCA表现更好，而且降低计算量；