勘误表：虚拟现实中的实时情感检测：一种基于情感和脑电图信号三维模型的技术

A勘误表
勘误表：虚拟现实中的实时情感检测：一种基于情感和脑电图信号三维模型的技术

Pinilla A、Voigt-Antons J-N、Garcia J、Raffe W和Moller S（2023年）。前面。虚拟现实。3:964754.10.3389/frvir.2022.964754

在发表的文章中，作者的名字被错误地写成塞巴斯蒂安·莫勒。正确的拼写是塞巴斯蒂安·莫勒.

在已发表的文章中，指导学习的表述存在错误。有人提到，监督学习的计算成本往往低于深度学习。然而，这种说法是不正确的，因为它意味着深度学习与监督学习属于不同的类别。事实上，建立一个有监督的深度学习模型是可能的。

已对以下内容进行了更正介绍，第8段和第9段。这些段落以前曾指出：

“与此同时，深度学习方法往往比监督学习方法需要更多的计算能力。部分原因是，深度学习往往需要更大的数据集，并且比监督学习法涉及更多参数（Val-Calvo等人，2019）因此，基于深度学习的情感识别系统对大多数用户来说可能负担不起。

因此，本手稿中提出的技术基于监督学习方法，类似于Val-Calvo等人（2019年）。构建监督学习模型的关键步骤之一是为感兴趣的构造识别最相关的特征。此过程称为特征选择。特征选择的一种常见方法是递归特征消除（RFE），该方法以前曾用于情感检测领域（Val-Calvo等人，2019年）。此方法需要定义要选择的固定数量的特征。分类模型经过多次拟合，在每次迭代中，相关性较小的特征被删除，直到达到之前定义的特征数量。”

更正后的段落如下：

“与此同时，神经网络往往比一些传统的机器学习算法（如Random Forest）需要更多的计算能力。部分原因是，神经网络在训练阶段通常需要更大的数据集才能达到类似的精度。此外，脑电信号的实时分析在以下方面要求特别高计算能力的提高，因为数据必须以与记录数据相同的速度进行处理。

当高性能计算（HPC）系统可用时，计算能力不是限制。然而，大多数用户无法访问HPC中心。通过在HPC中心训练神经网络并部署训练好的模型（例如。，辛格和陶，2020年). 然而，这种方法并不是实时构建用户相关模型的最佳方法，因为它需要1）从每个用户捕获足够的数据来训练用户相关的神经网络，2）将数据从每个用户传输到HPC中心，3）为每个用户至少训练一个神经网络，4）将经过训练的模型传回每个用户的设备，以及5）以不影响用户体验的速度完成整个过程。

相反，随机森林分类模型通常可以使用消费级硬件进行训练。因此，该算法可以用于在用户设备上训练情感检测模型。这种方法与边缘计算一致(曹等人，2020年)这是一种新兴的范例，支持在用户设备上处理数据的好处。其中一些好处是：1）最大限度地减少通过网络传输的数据量，减少带宽消耗，避免网络中断带来的潜在隐患；2）加强安全和隐私，因为大多数用户的数据都保存在他们的设备上；3）降低运营成本。因此，随机森林可能比神经网络更适合实时构建用户相关的情感检测模型。

构建随机森林分类模型的关键步骤之一是为感兴趣的构造确定最相关的特征。此过程称为特征选择。特征选择的一种常见方法是递归特征消除（RFE），该方法以前曾用于情感检测领域（Val-Calvo等人，2019年）。此方法需要定义要选择的固定数量的特征。分类模型经过多次拟合，在每次迭代中，相关性较小的特征被删除，直到达到之前定义的特征数量。”

已对进行了另一项更正讨论，第3段。最后一句话之前说：“然而，这些研究使用了深度学习方法，而本手稿中提出的技术使用了监督学习方法。”但应该是“然而，那些研究使用了神经网络，而本手稿中提议的技术使用的是随机森林”。更正后的段落如下：

“进行了双向重复测量方差分析，以比较使用每种特征选择方法（LME与RFECV）获得的分类模型的平均准确性。未发现有统计学意义的差异。然而，LME的分类模型比RFECV的分类模型略为精确。两种特征选择方法获得的平均准确度均在87%至93%之间，这表明无论使用何种特征选择方法，所提出的技术都能产生可靠的结果（参见图4). 这些结果与之前使用EEG信号进行情感识别的研究一致，其中报告的分类模型的准确率分别为90.77%（Xu和Plataniotis，2012）和90.4%（Song等人，2018）。然而，这些研究使用了神经网络，而这份手稿中提出的技术使用的是随机森林。”

图4

图4.ESM各情感维度分类模型的平均准确度（Cacioppo等人，1997年）。使用LME选择的特征训练的分类模型的准确性与使用RFECV选择的特征培训的模型的准确性在统计学上没有显著差异。在情感维度上，分类模型的准确性相似。误差条表示CI，95%。

最后，在Reference列表中添加了以下两个引用。

作者为这些错误道歉，并表示这丝毫不会改变文章的科学结论。原始文章已更新。

出版商备注

本文中表达的所有声明仅为作者的声明，不一定代表其附属组织的声明，也不一定代表出版商、编辑和审稿人的声明。任何可能在本文中进行评估的产品，或制造商可能提出的索赔，都不受出版商的保证或认可。

工具书类

曹凯、刘毅、孟国和孙强（2020）。边缘计算研究综述。IEEE接入8, 85714–85728. doi:10.10109/ACCESS.2020.2991734文件

CrossRef全文|谷歌学者

Singh，A.K.和Tao，X.（2020年）。《BCINet：基于EEG的脑-计算机接口应用的优化卷积神经网络》2020 IEEE计算智能（SSCI）研讨会系列,澳大利亚首都堪培拉,2020年12月1日至4日, 582–587. doi:10.10109/SCSI47803.2020.9308292

CrossRef全文|谷歌学者