中心とソフトマックス損失関数によるCNN双方向長期記憶の感情認識 (CNN-BiLSTM-CS)
Xiaodan Zhang1, Shuyi Wang1, Yige Li1
1School of Electronic Information, Xi 'an Polytechnic University, Xi 'an, China.
Cognitive neurodynamics
|August 27, 2025
まとめ
この研究は,電気脳波 (EEG) 信号を用いた高度な感情認識のためのCNN-BiLSTM-CSを導入します. この新しい方法は 特徴の抽出を強化し 脳の活動から 感情を分類する上で より高い精度を達成します
科学分野:
- 神経科学
- 人工知能
- 信号処理
背景:
- 電気脳波 (EEG) 信号は 感情の認識に不可欠です
- 伝統的な方法では 特徴がはっきりと分からずに 苦労しています
- 単方向のLSTMやSoftmaxのような既存のモデルは,機能抽出に制限があります.
研究 の 目的:
- 新しい深層学習モデル,CNN-BiLSTM-CSを提案し,EEGベースの感情認識を改善する.
- 伝統的な単方向のLSTMとSoftmaxモデルの限界に対処するために.
- EEG信号から差別的な特徴を抽出することを強化します.
主な方法:
- 双方向の長期短期記憶 (BiLSTM) ネットワークと組み合わせたコンボリューションニューラルネットワーク (CNN) を利用する.
- クラス内の距離を最小化し,クラス間の距離を最大化するために,CenterとSoftmax (CS) との関数の関数を実装します.
- モデルをDEAPとSEEDデータセットで評価する
主要な成果:
- DEAPのデータセットでは,バレンスの平均94. 22%,覚醒の平均92. 16%を達成した.
- CNN-LSTMと比較してほぼ6%の改善を示した.
- SEEDデータセットで95.45%のトリプル分類精度を得ました.
結論:
- 提案されたCNN-BiLSTM-CSモデルは,深いEEGの特徴の認識性能を大幅に向上させます.
- 改善されたネットワーク構造と 結合された喪失機能は 優れた感情認識能力に寄与します
- このアプローチは,より正確で堅牢なEEGベースの感情認識システムのための有望な方向性を提供します.
