Page 216 - 《软件学报》2021年第12期

3880 Journal of Software 软件学报 Vol.32, No.12, December 2021

终止后,将测试集数据放进该模型中进行分类预测,预测结果如图 6 所示.
为了进一步探究二维网状 EEG 时空特征表示方法的普适性以及 CASC_CNN_CNN 和 CASC_CNN_LSTM
模型的通用性,作者以变换特征类别、变换 EEG 维度为实验方法,以模型进行二分类计算的准确率为衡量标准,
对本文所提出的特征表示方法以及模型的性能进行研究.为了保证对比实验的客观性和有效性,除 PSD 特征之
外,作者还选择了应用范围广泛算法原理清晰的 NORM 特征(提取方法如第 2.2 节中所述,数据格式见表 1)在效
价和唤 醒度 两个维 度上 进行二 分类 计算 . 每个特 征在每 个维 度上分 别使 用 2D-CNN-V2,BILSTM(64),
CASC-CNN-CNN,CASC-CNN-LSTM 这 4 种模型进行情感分类计算.效价维度上的计算结果见表 3.
Table 3 Comparison of the accuracy of NORM features between
two types of emotion classification in the valence dimension
表 3 效价维度上 NORM 和 PSD 特征两类情感分类准确率的比较
Models Input features Valence acc
2D-CNN-V2 Segmented NORM chain sequence 0.552
BILSTM(64) Segmented NORM chain sequence 0.507
Casc-CNN-CNN Segmented 2D NORM mesh sequence 0.623 9
Casc-CNN-LSTM Segmented 2D NORM mesh sequence 0.552 1
在效价维度上,以 2D-NORM 特征作为输入的 CASC-CNN-CNN,CASC-CNN-LSTM 模型的分类精度为
62.39%,55.21%,比以链式 NORM 特征作为输入的 2D-CNN-V2,BILSTM(64)模型的 55.2%,50.7%分别高出
7.19%和 4.51%.效价维度上的 NORM 特征经过维度转换后,分类精度平均提高了 5.85%.而当两个级联模型以
2D-PSD 特征作为输入时,分类准确率分别达到了 92.37%和 93.15%,比以链式 PSD 特征作为输入的 2D-CNN-
V2,BILSTM(64)模型的 90.16%,89.81%分别高出 2.21%和 3.34%.效价维度上的 PSD 特征经过维度转换后,分类
精度平均提高了 2.775%.效价维度上的 NORM 特征在两类情感计算任务中 4 种模型的平均分类精度仅有
55.875%,而 PSD 特征 4 种模型的平均分类精度则达到了 91.37%.
就平均分类精度而言,PSD 特征相较 NORM 特征高出了 35.495%.但就特征结构的改变对特征可分性的影
响而言,NORM 特征则比 PSD 特征高出 3.075%.该组实验可以证明:级联模型比单一模型的分类能力更强,二维
网状特征比一维链式特征的可分性更高.并且就特征的维度转换对于特征数据可分性的提升而言,NORM 特征
相较于 PSD 特征的提升幅度更大.
2.4.2 唤醒度维度上的实验结果与分析
为了更加全面地探究二维网状 EEG 时空特征表示方法的普适性,同时为了增强实验间的可对比性,结合
DEAP 数据集的特点,作者选择在唤醒度维度(arousal)上同样对 NORM 和 PSD 特征进行 4 种模型的脑电分类计
算.特征提取、特征结构转换方法及分类所用模型和模型结构同上文所述完全相同,具体实验结果见表 4.
Table 4 Comparison of the accuracy of NORM &PSD features between
two types of emotion classification in the arousal dimension
表 4 唤醒度维度上 NORM 和 PSD 特征两类情感分类准确率的比较
Models Input features Arousal acc
2D-CNN-V2 Segmented NORM chain sequence 0.539 5
BILSTM(64) Segmented NORM chain sequence 0.495 7
Casc-CNN-CNN Segmented 2D NORM mesh sequence 0.576 4
Casc-CNN-LSTM Segmented 2D NORM mesh sequence 0.566 3
2D-CNN-V2 Segmented PSD chain sequence 0.885 1
BILSTM(64) Segmented PSD chain sequence 0.888 9
Casc-CNN-CNN Segmented 2D PSD mesh sequence 0.910 2
Casc-CNN-LSTM Segmented 2D PSD mesh sequence 0.928 4
在唤醒度维度上,以 2D-NORM 特征作为输入的 CASC-CNN-CNN,CASC-CNN-LSTM 模型的分类精度为
57.64%,56.63%,比以链式 NORM 特征作为输入的 2D-CNN-V2,BILSTM(64)模型的 53.95%,49.57%分别高出
3.69%和 7.06%.唤醒度维度上的 NORM 特征经过维度转换后,分类精度平均提高了 5.375%.而当两个级联模型