文摘
本文深入长期短期记忆(DeepLSTM)网络人格特质分类使用脑电图(EEG)信号实现。对于这个研究,相类型指示器(MBTI)模型预测人格。它有四组,每组由两个特征与对方;即。,out of these two traits, every individual will have one personality trait in them. We have collected EEG data using a single NeuroSky MindWave Mobile 2 dry electrode unit. For data collection, 40 Hindi and English video clips were included in a standard database. All clips provoke various emotions, and data collection is focused on these emotions, as the clips include targeted, inductive scenes of personality. Fifty participants engaged in this research and willingly agreed to provide brain signals. We compared the performance of our deep learning DeepLSTM model with other state-of-the-art-based machine learning classifiers such as artificial neural network (ANN), K-nearest neighbors (KNN), LibSVM, and hybrid genetic programming (HGP). The analysis shows that, for the 10-fold partitioning method, the DeepLSTM model surpasses the other state-of-the-art models and offers a maximum classification accuracy of 96.94%. The proposed DeepLSTM model was also applied to the publicly available ASCERTAIN EEG dataset and showed an improvement over the state-of-the-art methods.
1。介绍
从不同的理论个性了,但个性的核心是一个函数个体行为差异和经验影响个人的发展,比如他/她的情绪,社会关系和生活经历1]。性格代表了一个人的行动风格在日常生活中。有许多理论和人格测量,但是人格特质的测量已经成为科学界最可观的承认和发挥着不可替代的作用2]。
有各种方式的个性预测。人格可以被填写调查问卷,也称为自我人格评估。大五人格测验(3和MBTI人格测试4,5)是它的例子。人格预测也可以通过Twitter等社交媒体(6)和Facebook (7)的数据,但并不总是如此准确,因为数据可以是假的8- - - - - -10]。
人格预测使用生理信号最近收到了很多感兴趣的(11]。生理信号允许研究人员更好地了解被试的反应时实验。认识到人格从生理信号12- - - - - -14)比数字更准确的足迹(15,16因为这种方法达到一个更高的分类精度。
在生理信号中,脑电图(EEG)信号增长近年来突出,取得了较高的分类精度17,18]。大脑中的神经元产生的电活动记录使用脑电图,已被广泛的利用研究大脑功能变化(19,20.]。
脑电图信号频率变化从0.5赫兹到100赫兹,分成五个乐队:δθ,α,β和γ;所有的乐队都有不同的频率(21,22]。一群0.5 hz-50赫兹用于本文。
本文的主要贡献如下:(我)新脑电图数据集创建个性预测使用NeuroSky MindWave移动2设备(2)本研究提出了一个DeepLSTM模型预测的人格特质
剩下的纸是结构化以以下方式。部分2提供背景细节。部分3致力于在这项研究中使用的材料和方法。部分4论述了提出人格框架。部分5提供了实验结果。部分6论述了提出DeepLSTM模型的比较与其他先进的方法。部分7给出了结论。
2。背景
本节解释FFT的提取特性,详细讨论了下一个。
2.1。快速傅里叶变换
的第一步成功的分类(23,24人格特质的EEG信号中提取重要特征。分析EEG数据的流行的方法是把信号分解成不同频带,如图1,包括三角洲(0.5到4赫兹),θ(4到8 Hz),α(8 - 12 Hz),β(12到30 Hz),γ(30到100赫兹)。MindWave可以使用板载芯片ThinkGear ASIC模块(TGAM1)算法,降低背景噪音和对象。分解信号的快速傅里叶变换(FFT), TGAM1芯片有一个算法。提供给应用程序的值TGAM1芯片使用设备。每秒钟时间领域的数据收集和处理正确识别和尽可能多的工件和背景噪音,没有NeuroSky的实际使用的专有算法,原始信号。耳机有助于我们控制自己冥想和关注功能eSense技术措施。
3所示。材料和方法
这个特定的部分给池的参与者的细节,细节设备用于实验,数据集用于实验的细节,最后实验的程序的详细信息。
3.1。池的参与者
这项研究由55个参与者。然而,五个样品了最终评估由于dware错误或不恰当的EEG信号的工件。因此,50代表样本的18岁到46岁男性和25个女性(25)参加了实验。四十个参与者都交给正确的;十是交给左边的,每一个都有自然的愿景。实验参与者不允许24小时前烟草或咖啡因。
3.2。设备描述
NeuroSky MindWave移动2设备的功能是捕捉大脑信号,见图2。脑电波读取脑电图耳机是简单的监控和便宜。它生成12位(3 - 100 Hz)生脑电波以512赫兹的速度和生成脑电图功率谱在不同频率和形态。用于与静态耳机配对ID。捕捉数据集,eegId应用程序使用,在构建FFT特征提取技术和十个特征提取。
3.3。提出了脑电图数据集
视觉内容是一种可靠的诱发影响或情感25在文献中。我们创建和巩固一组40系列电影和剪辑这一分析,作为启发材料收集的数据的主题。这些影片剪辑的内容包括音频和视频元素,让学生参与到身临其境的体验。英语和印度语(印度语)薄膜样品的长度大约2到4分钟选择的过程。引出材料中的每个片段包含内容,唤起情感和性格特征和人物表现出特定的人格特质。
所有的选择的影片剪辑被认为生成和激活所需的人格特质的情感特征。表1提出了选择刺激数据集剪辑用于唤起特定的人格特质脑电图数据采集。剪辑的秩序和选择是随机的,以确保有效性。
3.4。公开的数据集
本研究还采用公开的脑电图数据集的人格被称为确定数据集(26]。确定数据集使用个性的BFF模型预测使用EEG信号,已收集了从单通道脑电图设备在实验室设置。记录的信息包括额叶活动,面部激活水平,但眨眼率,和力量。它包含58参与者的脑电图记录数据,36个影片剪辑。这些片段之间51和127年代长。所有话题都流行英语,学生们定期观察人士从好莱坞的电影。这部影片剪辑(每个象限九剪辑)均匀的分布在整个视觉模拟(VA)空间。生理信号的记录,不同的传感器用于监视的剪辑。看完视频后,每个参与者被要求马克VA规模与规模级代表他的实践经验。五大维度的人格测试也被使用五维问卷评估。
4所示。提出了人格预测使用EEG信号和DeepLSTM模型框架
图3包括整个人格预测框架使用脑电图信号和DeepLSTM模型。该框架由两部分组成。首先是人格预测的数据收集,二是人格特质的DeepLSTM模型分类,并描述这两种next。
4.1。数据收集的人格预测
数据收集是研究过程的第一步。这个数据集获得使用一个实验性的协议,建立和容易理解。创建数据集支持50名志愿者(25和25岁的男性女性)谁将积极参与数据收集过程。自一个人的性格特征不能完全由他们当前的情绪或精神状态,收集到的数据将被3次5天(27]。数据收集过程中的参与者最初放松并挥舞着NeuroSky MindWave移动2耳机在他们的头上。自MBTI人格特征有四组,每组由两个特征的诗句。有八个特征,对于每一个特征,显示一个电影片段的参与者。在培训期间,该过程是迭代一个参与者的8倍。每个电影片段之前,参与者被给定一个20秒提示开始测试开始,在此期间他们认为视频剪辑的有针对性的人格特质。后,每个参与者签署同意书,然后伴随着保持记录的一般信息如姓名、年龄和性别在初始水平发展的数据集。单通道脑电图可调头巾被用来监测脑电图信号。
观看一个电影片段的特征后,参与者必须填满自我评价形式选择“同意”,“中性”或“不同意”,有7个为每个人格特质问卷。这些调查问卷是由针对个性的特点。这些问卷必须回答基于参与者的真实感情,而不是他们的典型的情绪或一般的态度,可能因人而异。正因为如此,这些问卷的答案可能有所不同。在每一个片段,一个1分钟的缓冲是中性剪辑中和参与者的引起人格特质。之后的所有问题的四个分组人格特质已经回答,评估问卷(包含七个问题)为每个参与者的特征。标签的EEG信号的输出取决于调查问卷的参与者。最终的输出由下列程序评估。让我们假设参与者观看了电影片段目标的特点外向性特征。看完短片后,参与者回答问卷基于外向性特征。 Suppose the participant selects for the “agree” option in the questionnaire. In that case, we can raise it by value 1. If, for the extraversion questionnaire, the participant chooses the option “disagree,” we raise the counter of the introversion trait (versus trait of extraversion) by one. If the participant opts for the neutral option, we neither increase nor decrease the counter for any trait. Since there are seven extraversion trait questionnaires, the EEG signal labeling depends on the participant’s output, and three labeling possibilities exist.(我)EEG信号标记为外向性如果“同意”选项的数目比“不同意”选择(2)EEG信号贴上内向如果“不同意”选项的数量比“同意”选择(3)EEG信号被丢弃的“同意”、“不同意”选项数量是相等的
同样,对于内向叫问卷,内向性格的计数器递增如果参与者选择“同意”选项。如果参与者选择“不同意”选项,外向性的计数器递增。如果参与者选择中立的选项,我们不增加或减少该问卷的计数器的特点。EEG信号的标签是按照上述程序完成的。同样,剩下的性格特征标记,标记及其相关的脑电图信号。相同的实验过程重复三天后收集数据和消除偏见。
在每个特征的评估过程结束时,数据集的最大的计数器值标签。标签EEG信号,这个评分方案作为参考。研究的测试数据是获得使用四个视频剪辑,从每组只针对一种人格特质。
实验将使用四个机器学习算法,进行安,资讯,LibSVM,和计画,包括我们的提议DeepLSTM分类器。调查和评审的结果记录脑电图信号数据集使用机器学习算法描述将为类似的研究提供有价值的材料的人格类型。这些发现表明人格推断从脑电图信号行为指标分类精度优于最先进的清楚。
4.2。提出DeepLSTM模型
各种机器学习算法用于识别和描述的性格特征在文学。人格特质分类的DeepLSTM模型使用脑电图信号用于这项工作。
图4包括DeepLSTM蜂窝网络的架构用于分类的人格特质使用EEG信号分析。DeepLSTM网络已经建立后端在Python 3.6 Keras 2.0.9 TensorFlow 1.4.0。
在DeepLSTM体系结构中,有3个LSTM层,有512内存单元在第一层,第二层256内存单元,128内存单位在第三层。在所有提出的架构,辍学层也使用和概率值是0.2。模型中存在层之间,辍学层应用于前一层的输出,这是美联储的层,如图4。下一层的输出任意子样品辍学层。DeepLSTM模型的记忆能力是由于辍学正规化(28]。此外,模型训练速度0.2辍学,减少过度拟合,提出了DeepLSTM性能更好的预测模型。”“双曲正切函数作为激活函数和生成的输出64辆。
“Softmax”用作一个激活函数在最后一层和4代表四个个性类生成输出。关键的好处使用将softmax作为激活函数输出概率的范围,将在0和1之间。它返回每个类的概率,目标类的概率最高。
LSTM细胞和辍学层利用发现EEG信号的作用。这些系统的过度拟合被限制最小单位coadapting DeepLSTM的辍学层架构。致密层,这些网络体系结构的损失函数,直言叉和批处理大小是40。自适应估计时刻优化器(亚当)是用于学习速率为0.001。标准化应用于数据集的输入特性MinMaxScaler函数后加载数据集。这个函数可实现每个特性,因为每个特性的维护方式。它降低了内部协变量转换,导致网络激活的变化分布由于在训练网络参数的变化。提出网络增强了培训的规范化,减少内部协方差的变化。它也帮助改善优化阶段通过阻止权重破裂在整个网站通过限制他们一组特定。正常化的一个不受欢迎的优点是它经常允许调整的机制。在指定的参数表2,提出DeepLSTM网络初始化(29日]。我们测试的输出提出DeepLSTM模型,它把脑电图信号作为输出值分为五个人格团体,500年时代的批量大小40。DeepLSTM模型评估使用建议的脑电图数据集以及公开确定脑电图数据集。
提出的体系结构和参数选择基于我们自己的实验与附近架构(层和节点)。的准确性,提出DeepLSTM架构优于他们附近的建筑。
5。实验结果
DeepLSTM模型分类的结果脑电图信号和检查我们的系统的有效性提出了下一步。电脑环境由3.4 GHz致力于32 GB ram的Python(3.6)将DeepLSTM细胞结构和其他州的艺术,即。安,然而LibSVM和计画。安的参数值,然而,LibSVM,计画是一样的(19,30.),分别。的参数值的实现DeepLSTM模型给出了表2。
数据集通常分成两个不同的集合,即。训练集和测试集。总复习的方法在本研究进行的人格特质分类使用脑电图信号。我们已经将数据集分成不同的训练和测试分区把他们等同于现有文献。性能评估是进行使用50 - 50,60 - 40,70 - 30、10倍分区方案。
在50 - 50、60 - 40和70 - 30 training-testing分区,50%,60%,和70%,分别数据用于训练,和50%,40%,和30%,分别用于测试的数据。完整的数据集分割成大小相近大约十块10倍交叉验证方案;90%的数据集,即,nine blocks, becomes our training data, and 10% of the dataset, i.e. one block, becomes our testing data. This process is repeated ten times, with each time a different data block being used for testing. Also, our proposed model’s sensitivity, precision, and specificity value for the 50–50, 60–40, 70–30, and 10-fold partition schemes are calculated.
5.1。DeepLSTM架构评估
本研究使用深度学习算法来区分人格特质与EEG信号。在实践中,DeepLSTM模型优于传统的机器学习算法,因为它有能力记住时间序列数据的长期依赖,增加的可能性正确性在很短的时间内31日]。
表3代表人格DeepLSTM预测模型的分类精度比较确定和提出脑电图数据集。确定和提出脑电图数据集,提出DeepLSTM模型最大,平均和最小分类精度为50 - 50,60 - 40,70 - 30、10倍交叉验证计算分区方案。
最大DeepLSTM提出模型的分类精度为50 - 50,60 - 40,70 - 30,和10倍交叉验证分区方案确定脑电图数据集是82.48%,88.14%,92.86%,和95.32%,分别。
最大DeepLSTM提出模型的分类精度为50 - 50,60 - 40,70 - 30,和10倍交叉验证分区方案提出的脑电图数据集是84.56%,91.52%,94.82%,和96.94%,分别。的结果,可以看出DeepLSTM模型性能更好的性能确定和提出脑电图数据集,和DeepLSTM模型的分类精度更高的对我们提出脑电图比确定数据集的数据集。
6。讨论
本节讨论如何提出深上优于DeepLSTM模型作品相比,传统的机器学习算法。
与标准进行比较传统的分类算法进行了使用相同的集合特性用于DeepLSTM-based方法显示的优势将深度学习纳入人格特质的分类。
安,然而LibSVM,计是用于比较的其他先进的方法。人格特质的分类精度比较是包含在表中4。它包含最大、平均和最小精度为50 - 50,60 - 40,70 - 30、10倍分区方案。的参数和设置这些变量都使用相同的技术,以确保实现结果和比较提供了明确和一致的。
提出了深度学习的方法比传统的机器学习算法有更大的影响。DeepLSTM分类显著提高分类精度,根据结果。除了提高分类精度,DeepLSTM分类器还可以保留特异性确定数据集大于92.86%和93.84%提出脑电图数据集,导致虚假预测%的利率很低。DeepLSTM模型的灵敏度值确定数据集是94.72%,和拟议的脑电图数据集和其他先进的方法是高95.86%,这表明DeepLSTM模型正确分类少数类样本。DeepLSTM模型的精度值确定数据集是93.48%,和拟议的脑电图数据集和其他先进的方法是高94.44%。的F1得分DeepLSTM模型确定数据集的值是93.68%,和拟议的脑电图数据是94.96%,在其他先进的方法。表5显示灵敏度的关系、精密、特异性和F1的分数值DeepLSTM 50 - 50, 60 - 40, 70 - 30、10倍数据分区方案。
表6显示统计结果差距说明了双尾Mann-Whitney测试(32]。Mann-Whitney测试用于计算价值关系的分类精度。如果结果不发生重大变化值大于0.05,它是非常重要的如果值小于0.001。很明显从干预表6提供的解决方案我们提出DeepLSTM模型是统计不同于安,然而,LibSVM,和计50 - 50,60 - 40,70 - 30、10倍数据分区方案。当值与DeepLSTM对于这些分类器,有一个显著的变化的结果。评价结果表明,拟议的人格特质分类DeepLSTM-based深学习模式提供了准确的分类结果。
7所示。结论
在这项研究中,我们建议使用DeepLSTM-based EEG信号人格预测系统深度学习模型。
新创建的脑电图数据集也使用40印地语和英语语言的电影短片。提出DeepLSTM模型也适用于公开的脑电图数据集称为确定。多个实验进行验证我们的结果,这是有助于我们DeepLSTM模型与现有的方法进行比较。五十个参与者参与,看到一些影片剪辑针对八个不同的人格特质。该方法使用NeuroSky MindWave移动2捕捉大脑信号。更好的结果的灵敏度、精度和特异性表明,我们的方法比目前的文献。拟议中的DeepLSTM模型的分类精度对我们提出脑电图数据集是96.94%的10倍的分区方案和优于DeepLSTM模型确定的结果数据集分类精度为95.32%。
我们目前使用单通道设备,在未来,我们将扩展到多通道设备。
数据可用性
上可用的数据请求从相应的作者。
的利益冲突
作者宣称没有利益冲突。