Page 215 - 《软件学报》2021年第12期

陈景霞 等:基于混合神经网络的脑电时空特征情感分类 3879

这是由于学习过程中的梯度并不是目标函数最优方向所导致的正常现象.而随着 iteration 的继续增加,两条曲
线都趋于平稳,斜率也逐渐收敛至 0.最终,作者以 acc 在 4000 轮内无增长作为模型终止训练的条件.训练终止后,
将测试集数据放进该模型中进行分类预测,记录预测结果并绘制成如图 4 所示柱状图.
本文提出的以二维网状 PSD 特征为输入的 Casc_CNN_LSTM 模型的测试集平均分类准确率达到了
93.15%,32 名被试者详细的预测精度如图 6 所示.

Fig.6 Statistics chart of Casc_CNN_LSTM model test set classification accuracy results
图 6 Casc_CNN_LSTM 模型测试集分类精度结果统计图

观察图 4 和图 6 不难发现:在 Casc_CNN_CNN 和 Casc_CNN_LSTM 两种模型上,效价情感分类精度的前三
名是相同的第 18、第 22、第 27 这 3 名被试.可见:两种混合模型性能总体上具有一致性和稳定性,也表明该 3
个被试的二维网状 PSD 特征中被挖掘到的情感相关的空间、时间判别性信息较少.第 27 名被试者的分类准确
率达到了 97.28%,为所有被试者中最高.图 7 为其训练过程曲线,下方曲线表示训练平均误差 loss,上方曲线表示
训练准确率 acc.

Fig.7 Casc_CNN_LSTM model sub27 training process diagram
图 7 Casc_CNN_LSTM 模型 sub27 训练过程示意图

通过观察上图可以得知:训练过程中,平均误差 loss 在逐步降低并收敛的同时,训练准确率 acc 也逐步收敛
于 1.迭代次数 iteration 从 0 至 3500 期间,loss 呈现螺旋梯度下降的态势,该时期内的 acc 以螺旋梯度上升的态
势从 0.32 提升至 0.94 附近.而当 iteration 从 3500 增至 7000 期间,loss 和 acc 均在一定幅度内发生震荡.但在迭
代 7000 次之后,acc 和 loss 虽依然有所波动,但相较之前震幅明显变小.最终,loss 曲线逐渐收敛于 0,acc 曲线逐
−4
渐收敛于 1.iteration 从 0 增至 3500 期间,acc 增幅为 0.62,增速约为每 iteration 增长 1.774×10 ;而 iteration 从
−5
3500 增至 7000 的震荡期,acc 增幅为仅为 0.05,增速约为每 iteration 增长 1.429×10 ,衰减达到了 91.945%.这也
是由于超参数 learningrate 设置偏大,模型的梯度难以按照预想的方式下降,而最终表现为 loss 曲线的震荡.训练