PaperWeekly|AAAI 2020 | 启发式变分路径推理（VPR）脑电情绪识别

_本文原题：AAAI 2020 | 启发式变分路径推理（VPR）脑电情绪识别
?PaperWeekly 原创 · 作者｜张玮玮
学校｜东北大学硕士生
研究方向｜脑电情绪识别

本文插图
论文工作
人类情感认知的研究表明，在情感表达过程中，空间相邻区域和功能相关区域之间存在着联系和通路。作者提出了一种启发式的变分路径推理（VPR）方法来处理基于脑电波的情绪识别，引入随机游走来产生大量沿电极的候选路径。为了编码每个路径，动态序列模型用于进一步学习电极间的依赖关系。
论文方法

本文插图
为了降低步行路径的数目，作者通过划分五个脑功能区域（额叶 (F)、颞叶 (T)、顶叶 (P)、枕叶 (O) 和中央区 (C) ），将步行范围限制在局部区域内，并仅定义空间相邻电极之间的直接连接。对于作为开始节点的每个电极，作者在预定义的行走长度内采样多个候选路径。
考虑到步行路径的序列特性，引入动态序列模型 LSTM 对电极间依赖关系进行编码，进一步提取路径的高级特征。对于每个电极，最大限度地聚合其中的编码通路，得到一个伪显著通路，其每条边实际上表示跳跃阶段的显著连接。
为了进一步简化伪路径，作者提出了一个稀疏变分缩放（SVS）模块来学习施加在这些路径上的缩放因子。与局部聚集相比，变分标度在所有电极上共享，因此可以理解为一种整体加权策略。尺度因子不仅可以用于生成更多的判别特征用于最终的情绪预测，而且还可以反馈到这些候选路径中，从而确定最终的显著路径。
2.1 产生候选路径
对于输入的脑电图信号，每个电极对多个通路进行采样。形式上，对于长度为 l 的随机行走，有序节点由以下分布生成 :

本文插图
其中，表示节点和之间的非标准化邻接，如果在空间上相邻（详见图 2），则其值设为 1 ，否则设为 0。 Z 为归一化常数，为封闭在 r-th 脑区相邻电极对的集合 (r {F, T, P, O, C}) 。
2.2 路径编码
候选路径采用序列递归模型 LSTM 对行走节点的依赖进行编码，获得其嵌入表示。在形式上，对于给定的路径，编码过程定义如下：

本文插图
2.3 局部路径聚合
为了找到电极之间的显著联系，我们使用 max-aggregation 来找到那些具有相同起始节点的局部候选路径。通过取嵌入通道间各维度的最大值来计算聚合路径：
由于最大位置不一致，一个聚合路径可能不是一个真正的行走，但该路径记录了那些最显著的电极之间的连接。因此，我们将聚合路径称为伪显著路径。其中一个候选通路与相应的伪显著通路高度相关。形式上，一个候选通路的局部显著性推导为：
2.4 整体路径缩放
作者提出了 SVS 模块来推导伪路径的比例因子，引入了具有稀疏约束的变分推理模型，而不是采用确定性的方法。由于 SVS 在数据分布拟合方面具有良好的数学特性，因此具有稳定性和可解释性。同时，约束尺度因子的稀疏结构，以自适应地选择显著路径。每个伪通路显著性将根据对应的潜在变量重新缩放 :
利用 Kullback-Leibler (KL)- 散度估计与的分布距离，利用使 kl - 散度最小可以得到的较好近似。最小化 kl - 散度等价于最大化。
分页标题

本文插图
2.5 损失函数与候选路径的选择
在训练整个 VPR 时，作者最小化整个损失函数，定义如下：
为了确定的显著路径,本文结合每个候选路径的贡献力量相应的伪路径和伪通路的重要性。在形式上，在 j 极点的第 k-th 候选路径,整体贡献表示最后情感分析的定义是:
结果
本文通过对 SJTU 情绪脑电图数据集（SEED）和多模式生理情绪数据库（MPED）两种脑电图情绪数据集进行实验来评价 VPR 。为了达到一个全面的评估，提出的 VPR 与多种先进的方法比较，遵循广泛使用的 subject dependent 协议。

本文插图

本文插图
为了进一步直观地理解路径选择，本文在这里将那些显著的路径可视化，通过施加更高值的缩放因子来自适应地突出这些路径。同时，在图 4 和图 5 中展示了不同被试和不同情感类别之间有序联系的差异，这从人类情感认知的角度来看可能也很有意义。

本文插图

本文插图
结论
为了捕获最重要的成对连接，每个电极周围的编码通路被聚合以产生一个伪最大能量通路。为了进一步选择显著路径，提出了基于贝叶斯概率过程和稀疏约束的 SVS 模块，使该模块具有良好的泛化能力，同时有利于路径的自适应选择。
最后，通过伪路径和尺度因子共同确定候选路径的显著路径。
? 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向）
【PaperWeekly|AAAI 2020 | 启发式变分路径推理（VPR）脑电情绪识别】? PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志