Reconocimiento de emociones de la memoria de corto plazo bidireccional CNN con función de pérdida central y Softmax...

Área de la Ciencia:

• La neurociencia
• Inteligencia artificial
• Procesamiento de señales

Sus antecedentes:

• Las señales del electroencefalograma (EEG) son cruciales para el reconocimiento de las emociones.
• Los métodos tradicionales luchan con la extracción de características muy distinguibles.
• Los modelos existentes como LSTM unidireccional y Softmax tienen limitaciones en la extracción de características.

Objetivo del estudio:

• Proponer un nuevo modelo de aprendizaje profundo, CNN-BiLSTM-CS, para mejorar el reconocimiento de emociones basado en EEG.
• Para abordar las limitaciones de los modelos tradicionales unidireccionales LSTM y Softmax.
• Mejorar la extracción de las características discriminatorias de las señales EEG.

Principales métodos:

• Utilizando una red neuronal convolucional (CNN) combinada con una red bidireccional de memoria larga a corto plazo (BiLSTM).
• Implementación de una función de pérdida conjunta con Center y Softmax (CS) para minimizar la distancia intra-clase y maximizar la distancia inter-clase.
• Evaluación del modelo en los conjuntos de datos DEAP y SEED.

Principales resultados:

• Se obtuvieron precisiones medias del 94,22% para la valencia y del 92,16% para la excitación en el conjunto de datos DEAP.
• Demostró una mejora significativa de casi el 6% en comparación con CNN-LSTM.
• Se obtuvo una precisión de clasificación triple del 95,45% en el conjunto de datos SEED.

Conclusiones:

• El modelo CNN-BiLSTM-CS propuesto mejora significativamente el rendimiento de reconocimiento de las características de EEG profundas.
• La estructura de red mejorada y la función de pérdida combinada contribuyen a capacidades superiores de reconocimiento de emociones.
• Este enfoque ofrece una dirección prometedora para sistemas de reconocimiento de emociones más precisos y robustos basados en EEG.