Emotion recognition has become an important component of human–computer interaction systems. Research on emotion recognition based on electroencephalogram (EEG) signals are mostly conducted by the analysis of all channels' EEG signals. Although some progresses are achieved, there are still several challenges such as high dimensions, correlation between different features and feature redundancy in the realistic experimental process. These challenges have hindered the applications of emotion recognition to portable human–computer interaction systems (or devices). This paper explores how to find out the most effective EEG features and channels for emotion recognition so as to only collect data as less as possible. First, discriminative features of EEG signals from different dimensionalities are extracted for emotion classification, including the first difference, multiscale permutation entropy, Higuchi fractal dimension, and discrete wavelet transform. Second, relief algorithm and floating generalized sequential backward selection algorithm are integrated as a novel channel selection method. Then, support vector machine is employed to classify the emotions for verifying the performance of the channel selection method and extracted features. At last, experimental results demonstrate that the optimal channel set, which are mostly located at the frontal, has extremely high similarity on the self‐collected data set and the public data set and the average classification accuracy is achieved up to 91.31% with the selected 10‐channel EEG signals. The findings are valuable for the practical EEG‐based emotion recognition systems.

中文翻译：

---

一种面向便携式 HCI 系统的 EEG 特征提取和通道选择用于情感识别

情感识别已成为人机交互系统的重要组成部分。基于脑电图（EEG）信号的情绪识别研究大多是通过对所有通道的脑电信号进行分析来进行的。虽然取得了一些进展，但在现实的实验过程中仍然存在高维、不同特征之间的相关性和特征冗余等挑战。这些挑战阻碍了情感识别在便携式人机交互系统（或设备）中的应用。本文探讨了如何找出最有效的 EEG 特征和情感识别渠道，从而尽可能少地收集数据。首先，提取不同维度的脑电信号的判别特征进行情感分类，包括一阶差分、多尺度置换熵、樋口分形维数和离散小波变换。其次，将救济算法和浮动广义顺序反向选择算法结合起来作为一种新的信道选择方法。然后，采用支持向量机对情绪进行分类，以验证信道选择方法和提取特征的性能。最后，实验结果表明，最优通道集多位于正面，在自集数据集和公开数据集上具有极高的相似性，平均分类准确率达到91.31%。 10 通道 EEG 信号。这些发现对于实用的基于 EEG 的情绪识别系统很有价值。Higuchi 分形维数和离散小波变换。其次，将救济算法和浮动广义顺序反向选择算法结合起来作为一种新的信道选择方法。然后，采用支持向量机对情绪进行分类，以验证信道选择方法和提取特征的性能。最后，实验结果表明，最优通道集多位于正面，在自集数据集和公开数据集上具有极高的相似性，平均分类准确率达到91.31%。 10 通道 EEG 信号。这些发现对于实用的基于 EEG 的情绪识别系统很有价值。Higuchi 分形维数和离散小波变换。其次，将救济算法和浮动广义顺序反向选择算法结合起来作为一种新的信道选择方法。然后，采用支持向量机对情绪进行分类，以验证信道选择方法和提取特征的性能。最后，实验结果表明，最优通道集多位于正面，在自集数据集和公开数据集上具有极高的相似性，平均分类准确率达到91.31%。 10 通道 EEG 信号。这些发现对于实用的基于 EEG 的情绪识别系统很有价值。将救济算法和浮动广义顺序反向选择算法结合起来作为一种新的信道选择方法。然后，采用支持向量机对情绪进行分类，以验证信道选择方法和提取特征的性能。最后，实验结果表明，最优通道集多位于正面，在自集数据集和公开数据集上具有极高的相似性，平均分类准确率达到91.31%。 10 通道 EEG 信号。这些发现对于实用的基于 EEG 的情绪识别系统很有价值。将救济算法和浮动广义顺序反向选择算法结合起来作为一种新的信道选择方法。然后，采用支持向量机对情绪进行分类，以验证信道选择方法和提取特征的性能。最后，实验结果表明，最优通道集多位于正面，在自集数据集和公开数据集上具有极高的相似性，平均分类准确率达到91.31%。 10 通道 EEG 信号。这些发现对于实用的基于 EEG 的情绪识别系统很有价值。采用支持向量机对情绪进行分类，以验证信道选择方法和提取特征的性能。最后，实验结果表明，最优通道集多位于正面，在自集数据集和公开数据集上具有极高的相似性，平均分类准确率达到91.31%。 10 通道 EEG 信号。这些发现对于实用的基于 EEG 的情绪识别系统很有价值。采用支持向量机对情绪进行分类，以验证信道选择方法和提取特征的性能。最后，实验结果表明，最优通道集多位于正面，在自集数据集和公开数据集上具有极高的相似性，平均分类准确率达到91.31%。 10 通道 EEG 信号。这些发现对于实用的基于 EEG 的情绪识别系统很有价值。31% 使用选定的 10 通道 EEG 信号。这些发现对于实用的基于 EEG 的情绪识别系统很有价值。31% 使用选定的 10 通道 EEG 信号。这些发现对于实用的基于 EEG 的情绪识别系统很有价值。