使用EEG信号与CNN-LSTM网络的基于人格的情绪识别
Mohammad Saleh Khajeh Hosseini1, Seyed Mohammad Firoozabadi2, Kambiz Badie3
1Department of Biomedical Engineering, Science and Research Branche, Islamic Azad University, Tehran 14778-93855, Iran.
Brain sciences
|June 28, 2023
概括
将人格特征整合到脑电图 (EEG) 分析中,可以显著提高情绪识别的准确性. 这种新的深度学习方法通过结合卷积神经网络和长期短期记忆网络,实现了93.97%的准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 心理学 心理学 心理学
背景情况:
- 准确的情绪检测对于医疗保健,心理学和人机交互至关重要.
- 整合个性特征可以增强情绪识别应用.
- 现有的方法往往忽视了个性对情绪反应的影响.
研究的目的:
- 开发一种新的深度学习模型,用于使用电脑电图 (EEG) 信号识别情绪.
- 为了研究将五大个性特征纳入情绪识别中的影响.
- 为了提高情绪识别系统的准确性和实用性.
主要方法:
- 招募了60名参与者,并在情绪刺激呈现期间收集EEG数据.
- 使用预先训练的卷积神经网络 (CNN) 来进行与情绪相关的EEG特征提取.
- 使用长期短期记忆 (LSTM) 网络从EEG数据中提取五大个性特征.
- 将提取的特征集成到一个新的网络中,用于预测情绪状态的兴奋和价值维度.
主要成果:
- 该模型从EEG数据准确地预测了人格特征.
- 拟议的分类器在情绪识别方面实现了93.97%的高精度.
- 与常见的分类器相比,整合个性特征显著改善了情绪识别性能.
结论:
- 将五大性格特征作为特征,可以提高基于深度学习的情感识别准确度.
- 开发的模型展示了结合EEG,人格特征和深度学习来进行高级情绪分析的潜力.
- 这种方法有望在医疗保健和人机交互中实现更个性化和更有效的应用.
