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


北京联盟_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
PaperWeekly|AAAI 2020 | 启发式变分路径推理(VPR)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
PaperWeekly|AAAI 2020 | 启发式变分路径推理(VPR)脑电情绪识别
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 :
PaperWeekly|AAAI 2020 | 启发式变分路径推理(VPR)脑电情绪识别
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 :
PaperWeekly|AAAI 2020 | 启发式变分路径推理(VPR)脑电情绪识别
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。


推荐阅读