SECT:一种用于情绪识别的移动EEG通道变压器方法

科学领域:

• 人与计算机的交互 (HCI)
• 神经科学是一个神经科学.
• 信号处理 信号处理

背景情况:

• 电脑电图 (EEG) 情绪识别对HCI至关重要.
• 现有的EEG情绪数据集缺乏多样性,主要使用来自无障碍受试者的数据.
• 需要多样化的数据集,包括听力障碍者的数据集.

研究的目的:

• 收集和分析来自30名听力受损者经历六种不同的情绪的EEG信号.
• 开发和评估一种新的深度学习模型,即移动EEG通道变压器 (SECT),用于增强EEG情绪识别.
• 提高基于EEG的情绪识别系统的多样性和适用性.

主要方法:

• 收集了30名听力障碍患者的EEG数据,他们观看了引起情绪的视频片段 (快乐,灵感,中立,愤怒,恐惧,悲伤).
• 使用的频域特征:功率光谱密度 (PSD) 和差异 (DE),通过立方线插曲取样.
• 提出了两个层的移动EEG通道变压器 (SECT) 模型:用于全球大脑区域的通道变压器 (CT) 和用于局部区域的移动通道变压器 (S-CT).

主要成果:

• 取决于受试者的实验,六种情感分类的准确率达到82.51% (PSD) 和84.76% (DE).
• 在公共数据集上进行的独立实验结果为85.43% (SEED,3类),66.83% (DEAP,Valence2类) 和65.31% (DEAP,Arousal2类).

结论:

• 对于精确的EEG情绪识别,SECT模型显示出显著的潜力,特别是在听力受损者等不同人群中.
• 拟议的方法有效地捕获全球和局部的大脑区域信息,以改善情绪分类.
• 这项研究通过增强基于EEG的情绪识别,为更具包容性和强大的HCI应用做出了贡献.