一种基于EEG的混合情绪识别方法,使用波形卷积神经网络和支向量机器.

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 深度学习和卷积神经网络 (CNN) 在生物医学工程中越来越多地使用.
• 将CNN与机器学习方法集成,可以提高复杂处理任务的准确性.

研究的目的:

• 提出一种混合方法,以从电脑电图 (EEG) 信号中改进情绪识别.
• 为了提高分类,利用波形CNN (WCNNs) 和多类支持向量机 (MSVM) 的深度特征.

主要方法:

• 脑电图信号进行了预处理,并使用连续波波变换 (CWT) 将其转换为时间频率刻度图.
• 预先训练的CNN (AlexNet,ResNet-18,VGG-19,Inception-v3) 进行了微调,并提取了深度特征.
• 提取的特征是使用MSVM进行分类的,对DEAP和MAHNOB-HCI数据库进行评估,使用独立于主体的离开一个主体的排除标准.

主要成果:

• 从ResNet-18的早期卷积层 (Res2a) 中提取深度特征并使用MSVM分类,对MAHNOB-HCI和DEAP数据库的平均准确度,精度和回忆率提高了约20%,12%.
• 结合来自特定大脑区域 (前额头,前额头,顶额头,顶额头-后额头) 的头脑图,获得了更高的平均准确率,为77.47% (MAHNOB-HCI) 和87.45% (DEAP).

结论:

• 在CNN和MSVM的组合显著增强了从EEG信号的情绪识别.
• 拟议的混合方法取得的结果与现场最先进的研究相美.