[发明专利]基于脑电信号进行情感分析的层级Bagging方法

说明书

本发明属于脑电信号处理技术领域，公开了一种基于脑电信号进行情感分析的层级Bagging方法，脑电样本数据预处理、特征提取和特征选择、训练集有放回抽样、不同基分类算法用于多个数据子集的训练、多分类器投票获得分类结果。与传统Bagging算法中单个训练子集对应单个分类算法不同的是，层级Bagging将多个训练子集对应单个分类算法，减小了单个性能良好的分类算法由于不适应个别数据导致被删去的风险。本发明可以有效提高脑电信号分类的准确率，解决单个分类算法稳定性不强的问题，也可推广至其他相似类型的数据处理。本发明对情绪监测、风险预测、有监督学习的分类都有重要意义。

技术领域

本发明属于脑电信号处理技术领域，尤其涉及一种基于脑电信号进行情感分析的层级Bagging方法。

背景技术

在当今数字化、计算化的时代，脑电信号的分析研究在处理人类的高级思维活动领域具有重要作用。情绪分类在之前的研究中，主要通过被试者表情，声音，肢体动作等指标来衡量，但由于这些指标受个人习惯及表现方式的影响较大，且具有可伪装和可掩饰性，相较之下，利用脑电波这种生理信号进行情绪分类的方法获得了得天独厚的真实性和准确性的优势。

目前，利用脑电信号进行情感分析最常用的现有技术是将进行过格式处理后的脑电数据应用于现有的有监督学习的分类器，如支持向量机，神经网络算法等。通过部分数据体系的训练，预测出整体数据表现出的结果。有监督学习的分类问题主要是通过学习已被标注标签的数据集样本，产生特征到标签的映射，依此确定未标签化数据集的标签。

而在实际问题中，由于脑电数据纬度高、表现角度多样和其高度复杂的数据结构，使它不像传统简单数据类型那样容易分类，传统单个的分类算法由于学习角度单一，若直接应用单个算法处理脑电数据，容易造成学习不充分导致的准确率低下问题。鉴于此，如果利用集成学习思想进行脑电信号分类，势必会提升性能。

集成学习则是通过一定整合方式组合单独的分量分类器的多学习器系统，利用集成学习器，可以有效减小有监督学习中单个分类器造成的泛化误差，达到减小整体方差、提高准确率和实验稳定性的作用，其理论源自于PAC基础，思想可以由以下公式体现：

其中P_wrong是集成之后分类器的错误率，P是单个学习器的分类错误率，n是集成分类器的数目，组合方式采用投票法，当n足够大时，集成学习器的错误率极低。每个集成分类器中，分类器种属数目越多，分类准确度越高。

集成学习还依靠分类器之间的多样性，只有在不同角度有不同表现优异的地方才能让集成分类器做到精准的“面面俱到”。总的来说，集成学习成功的要点在于“优而异”。

当前的集成学习大致可以分为Bagging，Boosting和Stacking三类，其中，Bagging针对复杂模型求解和强基分类器有更良好的表现效果。Bagging算法可以减少数据之间的方差导致的泛化误差(一般由于过拟合导致)。在训练数据的过程中，由于每个分类器不同，各自有其关注的重点，随机抽取训练集和集成多分类器的方法是Bagging算法的特点。步骤如下：

1.从原始数据集中抽出部分样本，将其作为一个子集，有放回的多次抽取形成多个子集。每个子集中的样本存在重叠现象，如果抽取的次数少，原始数据集中也许也有没有被抽取到的数据。

2.用抽取出的不同子集作为数据集应用不同分类算法训练不同的学习器，这里综合算法的方式根据具体问题决定回归还是分类选择平均还是投票。

3.将每个训练出来的学习器进行投票，票选出最终的结果。将Bagging算法的原理绘制成图。

在传统Bagging算法中，通过有放回抽样取原始数据集的部分数据组成数据子集，不同数据子集应用于不同分类算法，最后用原始测试集在训练出的多个模型上做测试，最终分类结果为多个模型测试出的投票结果。