洞察高清晰脑电图,AI竟还能准确判断你的喜怒哀乐

脑电图已被广泛用于研究吞咽、分类精神状态和诊断神经精神疾病,如神经性疼痛和癫痫等。但一部分研究人员认为,脑电图技术仍有未开发的潜力。

作者: 药明康德AI 来源: 药明康德AI 2019-12-25 14:04:18

脑电图(EEG)是一种非侵入性的脑监测测试,它沿头皮放置电极,将信号发送给计算机进行分析等过程。脑电图已被广泛用于研究吞咽、分类精神状态和诊断神经精神疾病,如神经性疼痛和癫痫等。但一部分研究人员认为,脑电图技术仍有未开发的潜力。


情绪状态则与人类情感、思想和行为有关。它会影响人们在决策、感知和智力等方面理性行事的能力。近年来,开发基于脑电图信号的情感识别系统已成为热门研究课题。最近来自韩国延世大学(Yonsei University)的研究人员基于深度学习模型生成了高分辨率EEG图像来增强EEG表示,从而对人类情绪进行准确分类。


1.png


过去十多年时间里,由于训练样本较少,并且缺乏大规模的脑电图数据集,所以大多数基于脑电图的情绪分类方法大多采用传统的机器学习(Machine Learning)方法。不过传统都是用来进行不断突破的,一些研究人员编译并发布了一些包含脑电图的最新数据集,这让深度学习在情绪分类的巧妙应用变得更有可能了。


无疑,这些最新的脑电图数据集的发布令人兴奋,通过深度学习模型,研究人员因此可以获得比传统机器学习更好的AI模型性能。不过事情的发展总不会一帆风顺,在这些数据集中包含的脑电图信号却存在分辨率低的问题,这一难题又成为研究人员进一步研究深度学习的“绊脚石”。


本文所要介绍的技术,便是从这块“绊脚石”开始说起。论文第一作者Sunhee Hwang女士表示:“低分辨率问题目前来说仍然是基于脑电图对人类情绪进行分类的一大难题。”


为提高现有脑电图数据集的分辨率,研究人员首先使用收集数据时的电极坐标生成拓扑差熵特征,随后基于这些特征他们开发了一个卷积神经网络(CNN),并在更新后的数据集上对CNN进行训练,教会AI学会分类3种大类情绪,分别是:积极、消极和中性。


2.png

▲ (a)低分辨率EEG特征图,(b)新方法生成的高分辨率EEG特征图(图片来源:Hwang et al.)


过往的方法往往会忽略脑电图特征的拓扑信息,但是通过CNN对脑电图特征进行重新聚类,聚类的效果会有更好地表现。也就是说,通过研究人员的技术更新,AI模型可以通过学习生成高分辨率的脑电图图像从而增强其代表性。


第二步,研究人员在包含62通道脑电图信号的SEED数据集上训练并对其方法进行了进一步评估。他们发现,采用深度学习模型识别脑电图,对人类情绪进行分类的准确率高达90.41%,从识别结果来看,比过往的机器学习的模型来的精确得多。


3.png


图片来源:bcmi.sjtu.edu


同时研究人员补充表示:“如果从不同的人类情绪片段中记录到EEG信号,那么原始的差熵特征则将无法实现聚类。”


该研究团队所提出的方法未来极有可能会成为基于脑电图的新型情感识别工具的开发提供相关借鉴,因为它提出并解决了脑电图图像分辨率低的相关问题和解决方案。当然,相同的方法也可以应用于其他深度学习模型来分析EEG数据。可以说研究团队所取得的成就具有“指引式”的意义,他们从原始训练数据集上开始研究,改变了深度学习基于脑电图分类情绪的研究方式。


对于计算机视觉任务来说,大规模的数据集使用于训练AI进行图像分类目前已经获得较大成功,其中一些性能卓越的AI模型甚至有了超越人类的势头。人们不再需要对数据集进行预处理,这也就保障了研究的高效进行。


未来Hwang与其同事希望能基于生成对抗网络(GAN)来生成大规模的EEG数据集。当生成模型和判断模型“互相博弈”后,AI便会产生出分辨率更高、规模更大的脑电图数据输出。这对深度学习模型基于EEG来进一步识别人脑情绪将大有助益。


本文转载自其他网站,不代表大健康派观点和立场。如有内容和图片的著作权异议,请及时联系我们(邮箱:scarlet.s@djkpai.com)


脑电图 AI 深度学习

关注大健康Pai 官方微信:djkpai我们将定期推送医健科技产业最新资讯