CDBA:一种新的基于EEG的情绪识别多分支特征融合模型

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人工智能的人工智能是人工智能.

背景情况:

• 传统的基于脑电图 (EEG) 的情绪识别因单个特征输入和EEG信号的非线性性质而面临局限性,阻碍实时脑电脑接口应用.
• 现有的时间和频域方法不足以捕获复杂的非线性EEG信号特征.

研究的目的:

• 开发一个先进的深度学习模型,以准确高效的基于EEG的情感识别.
• 通过结合多分支特征提取和注意力机制来解决传统方法的局限性.

主要方法:

• 提出了一种新的CNN-DSC-Bi-LSTM-Attention (CDBA) 模型,利用从正常化的EEG信号中提取多分支特征.
• 功能被连接在一起,一个注意力机制层将重量分配给每个频道的功能.
• 软马克斯分类用于EEG信号分类.

主要成果:

• CDBA模型显示了高的分类准确度:在SEED数据集上,三类情绪的准确率为99.44%,四类情绪的准确率为99.99%.
• 在DREAMER数据集上,该模型在五类价值分类中实现了84.49%的准确性.
• 使用十倍交叉验证的多分类实验显示,与其他模型相比,性能和概括性优越.

结论:

• 拟议的多分支功能融合深度学习模型与注意力机制有效地处理非线性EEG数据用于情绪识别.
• CDBA模型表现出强大的拟合和概括能力,证明了它对先进的大脑-计算机接口系统的有效性.
• 这种方法在诊断和治疗神经系统疾病以及增强基于情绪的BCI应用方面具有重大潜力.