PaperWeekly|AAAI 2020 | 启发式变分路径推理(VPR)脑电情绪识别( 二 )

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

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

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


推荐阅读