相关实验视频
Updated: Jul 18, 2025
15:57
Brain Imaging Investigation of the Memory-Enhancing Effect of Emotion
Published on: May 4, 2011
16.7K
通过信息增强在连接功能地图的信息增强,改进了基于EEG的情绪识别
M A H Akhand1, Mahfuza Akter Maria2, Md Abdus Samad Kamal3
1Department of Computer Science and Engineering, Khulna University of Engineering & Technology, Khulna, 9203, Bangladesh. akhand@cse.kuet.ac.bd.
Scientific reports
|August 23, 2023
概括
结合EEG连接功能,可以提高情绪识别的准确性. 使用相锁值 (PLV) 和相互信息 (MI) 等方法的融合连接功能地图 (CFM) 增强机器学习模型,以更好地识别人类情绪 (ER).
科学领域:
- 神经科学和人工智能 人工智能
- 大脑与计算机的接口
- 机器学习用于情感计算.
背景情况:
- 电脑电图 (EEG) 是人类自动情绪识别 (ER) 的关键大脑信号.
- 从EEG信号中提取信息特征对于准确的ER至关重要.
- 从EEG信号构建连接特征图 (CFM) 的现有方法,例如皮尔森相关系数 (PCC),相互信息 (MI),相锁值 (PLV) 和转移 (TE),通常会导致对称和冗余的数据表示.
研究的目的:
- 提出一种创新技术,用于构建更具信息性的CFM,以改进基于EEG的ER.
- 研究不同方法的融合连接措施的有效性,以创建增强的CFM.
- 通过机器学习模型在不增加计算成本的情况下评估融合CFM在分类情绪方面的性能.
主要方法:
- 通过结合既定连接措施的对来构建化CFM:PCC,PLV,MI和TE.
- 产生了六种类型的化CFM:PCC+PLV,PCC+MI,PCC+TE,PLV+MI,PLV+TE,以及MI+TE.
- 利用卷积神经网络 (CNN) 根据拟议的融合CFM来分类情绪.
- 在基准DEAP EEG数据集上进行了实验.
主要成果:
- 拟议的融合CFM显示出优越的ER性能,与单一连接方法衍生的CFM相比.
- 融合的CFM,如PLV+MI,在情绪分类准确度上显示出显著的改善.
- 融合方法在机器学习模型训练阶段没有引入额外的计算开销.
结论:
- 将不同的EEG通道连接措施组合到合并的CFM中是增强ER的有效策略.
- PLV+MI合并CFM成为最有前途的方法,其性能优于其他单一和合并方法.
- 这项研究提供了一种计算效率高的方法,可以通过使用EEG信号来提高自动识别人类情绪.
