情緒是人類重要的生理屬性，情緒識別技術可以更好地輔助人類進行自我認識。本文針對不同受試者之間的腦電信號（EEG）存在巨大差異的難點，在傳統鯨魚優化算法（WOA）中引入新機制，加速算法的優化和收斂。同時，將改進的鯨魚優化算法（IWOA）用于搜索極限學習機模型（ELM）中的最佳訓練方案，包括最佳特征集、訓練參數以及腦電通道。納入24種常見的EEG情緒特征進行測試，發現不同受試者最佳腦電情緒特征之間存在一定特異性，同時也具有共性。本文所提方法在腦電情緒識別中獲得92.19%的平均識別準確率，顯著減少了手動調試模型的工作量，且具有更高的識別精度和更短的訓練時間，相較于對照方法具備更優越的性能，為情緒腦電信號解碼研究提供了新的思路。
引用本文： 謝松云, 雷凌俊, 孫江, 徐建. 基于IWOA-ELM算法的腦電情緒識別方法研究. 生物醫學工程學雜志, 2024, 41(1): 1-8. doi: 10.7507/1001-5515.202303010 復制
0 引言
情緒是由各種日常事件引發的生理反應，會對人們的日常溝通和決策產生深遠影響[1-4]。近年來，情緒識別已經成為推動人工智能進一步發展不可或缺的一環，腦電信號因具備較高的時間分辨率和難以偽裝的特點，成為當前情感研究領域備受關注的熱點方向之一。在當前的研究階段，情緒識別系統自適應優化方法可以分為以下三種主要類型：首先，基于全局最優搜索的優化選擇方法[5-6]，常見的有窮舉法和分支限界法。其次，是基于隨機搜索策略的方法。代表性的算法包括粒子群算法（particle swarm optimization，PSO）、模擬退火算法（simulated annealing，SA）等[7-8]。最后是基于序列搜索策略的方法。它源自于爬山算法（hill climbing，HC），可分為三類：序列搜索、序列后向搜索和雙向搜索[9]。
在前人的研究工作中，已經發現傳統的機器學習模型在情感分類和預測方面存在一些不足[10-12]。不同受試者之間的腦電信號存在差異，因此需要采用特定的腦電情感特征進行分類[13-15]。有研究指出腦電信號的差異可能需要對不同受試者選擇不同的最佳情感腦電特征，但目前尚未有研究進行實驗來證實這一點。
一個高效的腦電情感識別系統能夠自動地選擇最佳的腦電情感特征，并且具備自動優化分類器參數的能力，以適應不同受試者的腦電信號特性。鯨魚優化算法（whale optimization algorithm，WOA）是一種啟發式算法[16]，它具備自動搜索解空間中最優解的能力[17]，在腦電情緒識別領域具備被開發的潛力。因此，本研究基于WOA算法，進一步探討腦電情緒識別方法的改進與結果優化。
1 方法設計
為了克服目前腦電情感識別領域的困難[18-19]，本文提出了一種帶有新的策略切換機制的WOA，被稱為改進的鯨魚優化算法（improved whale optimization algorithm，IWOA），并將IWOA應用于腦電情感特征的篩選以及極限學習機（extreme learning machine，ELM）參數的調整。整個IWOA-ELM的具體流程如圖1所示。
圖1
基于IWOA-ELM算法的情緒研究方案
Figure1.
Emotion research scheme based on IWOA-ELM algorithm
2 鯨魚優化算法
2.1 WOA算法介紹
WOA是一種智能優化算法，通過不斷更新鯨魚的位置和速度，尋找最優解。與此同時，為增加搜索的多樣性，該算法還引入了一定程度的隨機性[20]。
2.1.1 圍捕獵物
首先，WOA算法需要確定一個搜索最優解的解空間[21-22]。在這個階段會選取一個代理作為具有最大適應值的最佳搜索代理，其他鯨魚將參照這個最大適應值代理的位置進行移動。這一過程可通過式(1)和式(2)來描述：
 |
 |
其中，t表示當前的迭代次數，A和C分別是系數向量，X*(t)是當前迭代得到的最佳解的位置向量，X(t)是位置向量，D表示當前搜索個體與當前最優解的距離；
 |
 |
在整個迭代過程中a由2線性降到0；r1 和r2是[0, 1]中的隨機向量。
2.1.2 氣泡網捕食
WOA的解收斂有兩個機制：包圍捕食和氣泡網捕食。式(5)為采用氣泡網捕食時的更新策略[23]：
 '/> |
 '/> |
其中
表示當前代理與適應度最大代理的距離；b表示螺旋參數；l表示在［? 1, 1］區間內隨機取值。
在WOA算法中，存在兩種捕食策略，一種是通過氣泡網捕食靠近獵物，另一種是通過縮小包圍范圍的方式進行捕食。WOA算法會根據概率p的隨機值來判定選擇這兩種捕食行為中的哪一種。這一過程可以通過式(7)來描述：
 '/> |
在局部尋優階段會調整參數A和收斂因子a的數值，以平衡全局搜索和局部搜索之間的關系。概率p是一個隨機數，其取值范圍介于0到1之間。隨著迭代次數t的增加，參數A和收斂因子a會逐漸減小。當|A| < 1時WOA算法進入局部尋優階段。
2.1.3 搜索獵物
WOA算法會根據鯨魚彼此之間的距離來更新位置。當|A|≥1時，搜索個體將會游向隨機鯨魚，以便更好地實現全局搜索。
 '/> |
 |
表示當前搜索鯨魚與隨機鯨魚的距離，Xrand(t)向量為本隨機個體的位置。
2.2 引入tanh自適應函數的WOA改進
為了提高WOA的效率，本研究采用自適應函數tanh來調整算法中不同策略的權重分配，以取代原先采用的固定概率p隨機上限的方法。因為WOA在某些情況下仍然可能會陷入局部最優解，導致計算冗余度的增加[24]。另外，還將本文所提出的改進方案與先前研究中使用貪婪算法對WOA算法進行了改進的方案進行了性能比較。
2.2.1 tanh函數介紹
引入tanh函數式子如下：
 |
 |
鯨魚算法的策略與p的設定值相關，傳統鯨魚算法是在[0, 1]區間取隨機值造成收斂速度較慢的問題。用自適應雙曲正切函數來代替區間上限，則p的區間變成[0, tanh(t)]，其中t為當前迭代次數，tmax為最大迭代次數。
2.2.2 算法仿真測試
為了測試IWOA算法的性能，本研究采用傳統WOA算法和常見的貪婪算法改進WOA算法作為對比算法，進行了仿真測試。
選擇了四個標準測試函數作為預實驗的對象。這些測試函數分別從腦電信號分類任務的角度描述，具有非線性、高維函數和低信噪比等特點。
 |
 |
 |
 |
表1展示了以上標準測試函數的測試結果，可以看出IWOA算法的平均性能優于其他兩種算法，平均提前了約83輪迭代次數找到最優解。測試結果圖見附件1。
表1
實驗參數與指標對比
Table1.
Comparison of experimental parameters and metrics
3 極限學習機與特征選取
3.1 極限學習機
設定一組訓練示例 
，那么具有L個隱藏神經元和激活函數g(x)的SLFN的輸出可以表示為[25-27]：
 |
其中wi=[wi1,···,wid]T和bi是輸入權重和隱藏神經元的偏差。
是輸出權重，
是
和
的內積，對于標準SLFN參數
，i = 1,···,L可以計算為；
 |
式(17)也可以寫成；
 |
H是網絡的隱層輸出矩陣。輸出權重β可以用最小范數最小二乘解進行解析計算：
 |
 |
 |
其中H+ 是 H 的Moore-Penrose廣義逆。
3.2 IWOA算法改進極限學習機
通過更新IWOA參數來調整輸入權重值和隱藏節點的偏差，以達到更高的精度。IWOA-ELM步驟如下所示，流程圖如圖2所示：
圖2
IWOA算法優化ELM流程圖
Figure2.
Flowchart of ELM process optimized by IWOA algorithm
（1）將處理后輸入的腦電特征片段進行劃分后導入，并隨機初始化各項參數；
（2）計算鯨魚個體的適應值，排序后計算系數向量與位置向量；
（3）在自適應函數區間隨機生成p值并判斷選擇是否使用氣泡網捕食策略，若滿足則執行策略進入步驟（5），不滿足則執行步驟（4）；
（4）計算|A|后對比判斷是否選取包圍捕食策略，若滿足則執行策略，若不滿足則進行全局隨機搜索；
（5）迭代數加1，判斷是否達到最大迭代數，未達到則進入下一輪迭代，達到后進入步驟（6）；
（6）在完成所有迭代后輸出最優參數對H進行計算后，訓練最佳極限學習機模型對之前劃分的測試集進行驗證。
式(22)用于計算每個解對應的輸出權重。對于分類問題，目標是最小化錯誤分類模式的數量。總體中第i個解的適應度計算如下：
 |
其中MCi是通過使用解i獲得的錯誤分類模式數。適應度函數值需要最大化。
3.3 腦電特征提取與優化篩選
特征提取是一個關鍵的過程[28]。本研究選擇了從時域、頻域和時頻域提取特征，以用于情緒識別。時域特征通過獲取腦電時間序列的統計值得到。頻域特征包括頻帶功率和功率譜密度。時頻域特征通過離散小波變換（discrete wavelet transformation，DWT）獲得[29-30]。本研究共采用了24種不同的腦電特征進行篩選和分類，各個特征的名稱及其計算方法見附件2。
根據五個與情緒相關的腦電信號的頻帶，將每個腦電信號分解為小波系數向量w = ［w1,w2,···,wL0］進行離散小波分解[31]。腦電信號的小波特征可以表示為；
 |
其中
 |
IWOA算法在特征選取時優化目標函數計算式為式(22)。
3.4 腦電通道優化篩選
為了解決腦電情緒識別中面對的不對稱性問題，本研究采用IWOA來對腦電電極通道進行篩選，以選取出最優的腦電通道組合。在62通道的基礎上對貢獻小的通道進行濾除，選出至少40通道的腦電通道組以得到最優分類。
4 方法驗證與結果分析
4.1 實驗材料
為了驗證本研究的實用性，選擇了上海交通大學的SEED公開數據集進行測試。受試者在觀看15個視頻片段時被誘導出不同情緒狀態，每個視頻片段的持續時間為4 min。該數據集測量了三種不同類型的情緒[32-33]。
4.2 方法測試結果與對比
4.2.1 與其他情緒識別系統進行對比
本研究在SEED數據集上測試了不同的算法模型，同時復現了其他算法進行比較，包括灰狼算法（grey wolf optimizer，GWO）、傳統WOA算法以及螢火蟲算法（firefly algorithm，FA）。參數設置迭代次數為100，種群數量為50并在24特征集下進行訓練。每個受試者的測試結果見圖3，數據采取10等分，進行單受試者數據的十折交叉驗證。結果顯示，IWOA、WOA、FA以及GOW四種算法的平均準確率分別為92.19%、85.51%、83.75%、86.27%。可見相比于其他算法，IWOA算法的情緒識別系統在識別精度上提升了5%以上。
圖3
15名受試者在四種算法測試下的準確率對比
Figure3.
Accuracy comparison of 15 participants in four algorithm tests
為了全面評估算法性能，與SEED數據集上其他已有算法也進行了比較。IWOA-ELM平均準確率92.19%相較于STGATE-Transformer達到的86.37%、P-GCNN算法的84.35%以及CFDCN算法的87.63%均有明顯提升[34-36]。
4.2.2 算法運行時間對比
采用經過改進的WOA來對情感識別系統進行優化調整。對極限學習機的參數進行了調整，并選擇三種特征以及腦電通道的組合進行了優化。將改進后的IWOA算法與螢火蟲優化算法和灰狼優化算法進行了比較。從表2的結果可以觀察到，WOA算法的迭代次數少于粒子群算法，但多于灰狼算法，WOA算法較這兩種算法具有更長的運行時間。與之相比，IWOA算法的收斂速度優于灰狼算法和粒子群算法，并且迭代次數也更少。這些結果表明，改進后的IWOA算法具有更好的實用性。
表2
IWOA算法與傳統算法的比較
Table2.
Comparison between IWOA algorithm and traditional algorithms
4.2.3 最優通道組展示
基于腦部位置信息的優勢程度對腦電通道進行可視化，以展示具有高貢獻度的通道，幫助讀者更直觀地理解通道的選擇及其在情感識別中的重要性。按照積分累加的方式對所有通道對情緒識別的貢獻度進行繪圖，結果如圖4所示。可以看出，腦電情緒識別的優勢電極呈現了大致的不對稱分布，與先前研究的結果相符。
圖4
不同通道情緒識別貢獻度
Figure4.
Contribution for emotion recognition across different channels
4.2.4 最優特征組展示
本研究就腦電特征的個體差異性進行測試，驗證不同受試者之間的最優腦電情緒特征組的區別。表3對于SEED數據集的15名受試者的三個最優特征組進行展示，其中腦電特征的編號對應于附件2。
表3
最佳特征組合表
Table3.
Best feature combinations
從結果可以明顯看出，微分熵特征（特征16）和平均曲線長度特征（特征9）是常見的優勢特征。事實上，11個受試者的最佳特征組合中都包括了這兩種特征。一階差分特征（特征10）等其他特征也展現出相對出色的性能。結果表明盡管不同個體之間的最佳腦電情感特征存在差異，但也存在一定程度的共性。
4.2.5 固定特征組合測試比較
通過對前一部分結果的分析，平均曲線長度特征、一階差分特征和微分熵特征在情感識別方面表現出色。本研究將這三種特征作為默認特征組，在包含15名受試者的腦電信號數據集上重新訓練IWOA-ELM模型，結果見圖5。
圖5
確定特征組合測試準確率
Figure5.
Accuracy for determining feature combinations test
根據圖5的數據，全組平均準確率為83.68%。這表明通過固定使用三種最優特征組合進行訓練的極限學習機模型在情感識別方面具有較高的準確性。然而，與經過IWOA算法優化的系統相比，它仍然略顯不足。測試結果表明，盡管受試者之間的最優情感腦電特征具有一定的共性，但仍存在一定的個體差異。如果最大化單個受試者的分類準確性是首要考慮因素，那么單獨提取其最優特征組合仍然是必要的。
同時引入了留一法交叉驗證來驗證所找到的共性是否合理有效。將每例受試者的數據單獨作為測試集，其余受試者的數據作為訓練集，進行15輪次實驗，結果見圖6。可以看出在不同受試者之間這些特征仍具有一定的優勢，但是受到受試者之間腦電信號差異性的影響，留一法的實驗平均準確率（73.26%）低于固定特征組實驗的準確率。
圖6
留一法交叉驗證準確率
Figure6.
Accuracy of leave-one-out cross-validation
5 結論
本研究旨在對腦電情緒識別方法進行探究，主要貢獻如下：
（1）對24種常見腦電特征進行測試，確定了其中幾種最佳特征，如平均曲線長度、一階差分特征和微分熵等，并固定最佳特征進行訓練，結果顯示固定特征組分類精度低于優化篩選特征組，驗證了針對單個受試者提取其最優特征組合的必要性。
（2）改進了傳統WOA算法，并進行實驗對比。改進后的算法可大幅減少迭代時間，降低陷入局部極值的概率。它可以有效地找到極限學習機的最優參數，并快速優化受試者的最佳特征組合。
（3）同時使用多種傳統群優化算法對情緒識別系統進行驗證對比。與其他算法相比，本文提出的IWOA算法優化的極限學習機模型在預測精度方面提高了5%以上，優于其他應用于SEED數據集的算法，同時具有更短的訓練時間，證明了本研究的優越性。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：謝松云負責實驗設計，雷凌俊負責實驗設計、數據分析、作圖和論文寫作，孫江負責數據預處理，徐建負責數據分析以及作圖。
本文附件見本刊網站的電子版本（biomedeng.cn）。
0 引言
情緒是由各種日常事件引發的生理反應，會對人們的日常溝通和決策產生深遠影響[1-4]。近年來，情緒識別已經成為推動人工智能進一步發展不可或缺的一環，腦電信號因具備較高的時間分辨率和難以偽裝的特點，成為當前情感研究領域備受關注的熱點方向之一。在當前的研究階段，情緒識別系統自適應優化方法可以分為以下三種主要類型：首先，基于全局最優搜索的優化選擇方法[5-6]，常見的有窮舉法和分支限界法。其次，是基于隨機搜索策略的方法。代表性的算法包括粒子群算法（particle swarm optimization，PSO）、模擬退火算法（simulated annealing，SA）等[7-8]。最后是基于序列搜索策略的方法。它源自于爬山算法（hill climbing，HC），可分為三類：序列搜索、序列后向搜索和雙向搜索[9]。
在前人的研究工作中，已經發現傳統的機器學習模型在情感分類和預測方面存在一些不足[10-12]。不同受試者之間的腦電信號存在差異，因此需要采用特定的腦電情感特征進行分類[13-15]。有研究指出腦電信號的差異可能需要對不同受試者選擇不同的最佳情感腦電特征，但目前尚未有研究進行實驗來證實這一點。
一個高效的腦電情感識別系統能夠自動地選擇最佳的腦電情感特征，并且具備自動優化分類器參數的能力，以適應不同受試者的腦電信號特性。鯨魚優化算法（whale optimization algorithm，WOA）是一種啟發式算法[16]，它具備自動搜索解空間中最優解的能力[17]，在腦電情緒識別領域具備被開發的潛力。因此，本研究基于WOA算法，進一步探討腦電情緒識別方法的改進與結果優化。
1 方法設計
為了克服目前腦電情感識別領域的困難[18-19]，本文提出了一種帶有新的策略切換機制的WOA，被稱為改進的鯨魚優化算法（improved whale optimization algorithm，IWOA），并將IWOA應用于腦電情感特征的篩選以及極限學習機（extreme learning machine，ELM）參數的調整。整個IWOA-ELM的具體流程如圖1所示。
圖1
基于IWOA-ELM算法的情緒研究方案
Figure1.
Emotion research scheme based on IWOA-ELM algorithm
2 鯨魚優化算法
2.1 WOA算法介紹
WOA是一種智能優化算法，通過不斷更新鯨魚的位置和速度，尋找最優解。與此同時，為增加搜索的多樣性，該算法還引入了一定程度的隨機性[20]。
2.1.1 圍捕獵物
首先，WOA算法需要確定一個搜索最優解的解空間[21-22]。在這個階段會選取一個代理作為具有最大適應值的最佳搜索代理，其他鯨魚將參照這個最大適應值代理的位置進行移動。這一過程可通過式(1)和式(2)來描述：
|
|
其中，t表示當前的迭代次數，A和C分別是系數向量，X*(t)是當前迭代得到的最佳解的位置向量，X(t)是位置向量，D表示當前搜索個體與當前最優解的距離；
|
|
在整個迭代過程中a由2線性降到0；r1 和r2是[0, 1]中的隨機向量。
2.1.2 氣泡網捕食
WOA的解收斂有兩個機制：包圍捕食和氣泡網捕食。式(5)為采用氣泡網捕食時的更新策略[23]：
| '/> |
| '/> |
其中 表示當前代理與適應度最大代理的距離；b表示螺旋參數；l表示在［? 1, 1］區間內隨機取值。
在WOA算法中，存在兩種捕食策略，一種是通過氣泡網捕食靠近獵物，另一種是通過縮小包圍范圍的方式進行捕食。WOA算法會根據概率p的隨機值來判定選擇這兩種捕食行為中的哪一種。這一過程可以通過式(7)來描述：
| '/> |
在局部尋優階段會調整參數A和收斂因子a的數值，以平衡全局搜索和局部搜索之間的關系。概率p是一個隨機數，其取值范圍介于0到1之間。隨著迭代次數t的增加，參數A和收斂因子a會逐漸減小。當|A| < 1時WOA算法進入局部尋優階段。
2.1.3 搜索獵物
WOA算法會根據鯨魚彼此之間的距離來更新位置。當|A|≥1時，搜索個體將會游向隨機鯨魚，以便更好地實現全局搜索。
| '/> |
|
表示當前搜索鯨魚與隨機鯨魚的距離，Xrand(t)向量為本隨機個體的位置。
2.2 引入tanh自適應函數的WOA改進
為了提高WOA的效率，本研究采用自適應函數tanh來調整算法中不同策略的權重分配，以取代原先采用的固定概率p隨機上限的方法。因為WOA在某些情況下仍然可能會陷入局部最優解，導致計算冗余度的增加[24]。另外，還將本文所提出的改進方案與先前研究中使用貪婪算法對WOA算法進行了改進的方案進行了性能比較。
2.2.1 tanh函數介紹
引入tanh函數式子如下：
|
|
鯨魚算法的策略與p的設定值相關，傳統鯨魚算法是在[0, 1]區間取隨機值造成收斂速度較慢的問題。用自適應雙曲正切函數來代替區間上限，則p的區間變成[0, tanh(t)]，其中t為當前迭代次數，tmax為最大迭代次數。
2.2.2 算法仿真測試
為了測試IWOA算法的性能，本研究采用傳統WOA算法和常見的貪婪算法改進WOA算法作為對比算法，進行了仿真測試。
選擇了四個標準測試函數作為預實驗的對象。這些測試函數分別從腦電信號分類任務的角度描述，具有非線性、高維函數和低信噪比等特點。
|
|
|
|
表1展示了以上標準測試函數的測試結果，可以看出IWOA算法的平均性能優于其他兩種算法，平均提前了約83輪迭代次數找到最優解。測試結果圖見附件1。
表1
實驗參數與指標對比
Table1.
Comparison of experimental parameters and metrics
3 極限學習機與特征選取
3.1 極限學習機
設定一組訓練示例 ，那么具有L個隱藏神經元和激活函數g(x)的SLFN的輸出可以表示為[25-27]：
|
其中wi=[wi1,···,wid]T和bi是輸入權重和隱藏神經元的偏差。是輸出權重，是和的內積，對于標準SLFN參數，i = 1,···,L可以計算為；
|
式(17)也可以寫成；
|
H是網絡的隱層輸出矩陣。輸出權重β可以用最小范數最小二乘解進行解析計算：
|
|
|
其中H+ 是 H 的Moore-Penrose廣義逆。
3.2 IWOA算法改進極限學習機
通過更新IWOA參數來調整輸入權重值和隱藏節點的偏差，以達到更高的精度。IWOA-ELM步驟如下所示，流程圖如圖2所示：
圖2
IWOA算法優化ELM流程圖
Figure2.
Flowchart of ELM process optimized by IWOA algorithm
（1）將處理后輸入的腦電特征片段進行劃分后導入，并隨機初始化各項參數；
（2）計算鯨魚個體的適應值，排序后計算系數向量與位置向量；
（3）在自適應函數區間隨機生成p值并判斷選擇是否使用氣泡網捕食策略，若滿足則執行策略進入步驟（5），不滿足則執行步驟（4）；
（4）計算|A|后對比判斷是否選取包圍捕食策略，若滿足則執行策略，若不滿足則進行全局隨機搜索；
（5）迭代數加1，判斷是否達到最大迭代數，未達到則進入下一輪迭代，達到后進入步驟（6）；
（6）在完成所有迭代后輸出最優參數對H進行計算后，訓練最佳極限學習機模型對之前劃分的測試集進行驗證。
式(22)用于計算每個解對應的輸出權重。對于分類問題，目標是最小化錯誤分類模式的數量。總體中第i個解的適應度計算如下：
|
其中MCi是通過使用解i獲得的錯誤分類模式數。適應度函數值需要最大化。
3.3 腦電特征提取與優化篩選
特征提取是一個關鍵的過程[28]。本研究選擇了從時域、頻域和時頻域提取特征，以用于情緒識別。時域特征通過獲取腦電時間序列的統計值得到。頻域特征包括頻帶功率和功率譜密度。時頻域特征通過離散小波變換（discrete wavelet transformation，DWT）獲得[29-30]。本研究共采用了24種不同的腦電特征進行篩選和分類，各個特征的名稱及其計算方法見附件2。
根據五個與情緒相關的腦電信號的頻帶，將每個腦電信號分解為小波系數向量w = ［w1,w2,···,wL0］進行離散小波分解[31]。腦電信號的小波特征可以表示為；
|
其中
|
IWOA算法在特征選取時優化目標函數計算式為式(22)。
3.4 腦電通道優化篩選
為了解決腦電情緒識別中面對的不對稱性問題，本研究采用IWOA來對腦電電極通道進行篩選，以選取出最優的腦電通道組合。在62通道的基礎上對貢獻小的通道進行濾除，選出至少40通道的腦電通道組以得到最優分類。
4 方法驗證與結果分析
4.1 實驗材料
為了驗證本研究的實用性，選擇了上海交通大學的SEED公開數據集進行測試。受試者在觀看15個視頻片段時被誘導出不同情緒狀態，每個視頻片段的持續時間為4 min。該數據集測量了三種不同類型的情緒[32-33]。
4.2 方法測試結果與對比
4.2.1 與其他情緒識別系統進行對比
本研究在SEED數據集上測試了不同的算法模型，同時復現了其他算法進行比較，包括灰狼算法（grey wolf optimizer，GWO）、傳統WOA算法以及螢火蟲算法（firefly algorithm，FA）。參數設置迭代次數為100，種群數量為50并在24特征集下進行訓練。每個受試者的測試結果見圖3，數據采取10等分，進行單受試者數據的十折交叉驗證。結果顯示，IWOA、WOA、FA以及GOW四種算法的平均準確率分別為92.19%、85.51%、83.75%、86.27%。可見相比于其他算法，IWOA算法的情緒識別系統在識別精度上提升了5%以上。
圖3
15名受試者在四種算法測試下的準確率對比
Figure3.
Accuracy comparison of 15 participants in four algorithm tests
為了全面評估算法性能，與SEED數據集上其他已有算法也進行了比較。IWOA-ELM平均準確率92.19%相較于STGATE-Transformer達到的86.37%、P-GCNN算法的84.35%以及CFDCN算法的87.63%均有明顯提升[34-36]。
4.2.2 算法運行時間對比
采用經過改進的WOA來對情感識別系統進行優化調整。對極限學習機的參數進行了調整，并選擇三種特征以及腦電通道的組合進行了優化。將改進后的IWOA算法與螢火蟲優化算法和灰狼優化算法進行了比較。從表2的結果可以觀察到，WOA算法的迭代次數少于粒子群算法，但多于灰狼算法，WOA算法較這兩種算法具有更長的運行時間。與之相比，IWOA算法的收斂速度優于灰狼算法和粒子群算法，并且迭代次數也更少。這些結果表明，改進后的IWOA算法具有更好的實用性。
表2
IWOA算法與傳統算法的比較
Table2.
Comparison between IWOA algorithm and traditional algorithms
4.2.3 最優通道組展示
基于腦部位置信息的優勢程度對腦電通道進行可視化，以展示具有高貢獻度的通道，幫助讀者更直觀地理解通道的選擇及其在情感識別中的重要性。按照積分累加的方式對所有通道對情緒識別的貢獻度進行繪圖，結果如圖4所示。可以看出，腦電情緒識別的優勢電極呈現了大致的不對稱分布，與先前研究的結果相符。
圖4
不同通道情緒識別貢獻度
Figure4.
Contribution for emotion recognition across different channels
4.2.4 最優特征組展示
本研究就腦電特征的個體差異性進行測試，驗證不同受試者之間的最優腦電情緒特征組的區別。表3對于SEED數據集的15名受試者的三個最優特征組進行展示，其中腦電特征的編號對應于附件2。
表3
最佳特征組合表
Table3.
Best feature combinations
從結果可以明顯看出，微分熵特征（特征16）和平均曲線長度特征（特征9）是常見的優勢特征。事實上，11個受試者的最佳特征組合中都包括了這兩種特征。一階差分特征（特征10）等其他特征也展現出相對出色的性能。結果表明盡管不同個體之間的最佳腦電情感特征存在差異，但也存在一定程度的共性。
4.2.5 固定特征組合測試比較
通過對前一部分結果的分析，平均曲線長度特征、一階差分特征和微分熵特征在情感識別方面表現出色。本研究將這三種特征作為默認特征組，在包含15名受試者的腦電信號數據集上重新訓練IWOA-ELM模型，結果見圖5。
圖5
確定特征組合測試準確率
Figure5.
Accuracy for determining feature combinations test
根據圖5的數據，全組平均準確率為83.68%。這表明通過固定使用三種最優特征組合進行訓練的極限學習機模型在情感識別方面具有較高的準確性。然而，與經過IWOA算法優化的系統相比，它仍然略顯不足。測試結果表明，盡管受試者之間的最優情感腦電特征具有一定的共性，但仍存在一定的個體差異。如果最大化單個受試者的分類準確性是首要考慮因素，那么單獨提取其最優特征組合仍然是必要的。
同時引入了留一法交叉驗證來驗證所找到的共性是否合理有效。將每例受試者的數據單獨作為測試集，其余受試者的數據作為訓練集，進行15輪次實驗，結果見圖6。可以看出在不同受試者之間這些特征仍具有一定的優勢，但是受到受試者之間腦電信號差異性的影響，留一法的實驗平均準確率（73.26%）低于固定特征組實驗的準確率。
圖6
留一法交叉驗證準確率
Figure6.
Accuracy of leave-one-out cross-validation
5 結論
本研究旨在對腦電情緒識別方法進行探究，主要貢獻如下：
（1）對24種常見腦電特征進行測試，確定了其中幾種最佳特征，如平均曲線長度、一階差分特征和微分熵等，并固定最佳特征進行訓練，結果顯示固定特征組分類精度低于優化篩選特征組，驗證了針對單個受試者提取其最優特征組合的必要性。
（2）改進了傳統WOA算法，并進行實驗對比。改進后的算法可大幅減少迭代時間，降低陷入局部極值的概率。它可以有效地找到極限學習機的最優參數，并快速優化受試者的最佳特征組合。
（3）同時使用多種傳統群優化算法對情緒識別系統進行驗證對比。與其他算法相比，本文提出的IWOA算法優化的極限學習機模型在預測精度方面提高了5%以上，優于其他應用于SEED數據集的算法，同時具有更短的訓練時間，證明了本研究的優越性。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：謝松云負責實驗設計，雷凌俊負責實驗設計、數據分析、作圖和論文寫作，孫江負責數據預處理，徐建負責數據分析以及作圖。
本文附件見本刊網站的電子版本（biomedeng.cn）。
