优化基于1D-CNN的情绪识别过程,通过从EEG信号中选择道和特征.

科学领域:

• 情感计算和人与计算机的互动.
• 生物医学信号处理和机器学习

背景情况:

• 基于脑电图 (EEG) 的情绪识别对于心理健康监测和个性化干预等应用至关重要.
• 现有的方法经常面临数据效率和模型复杂性的挑战,限制实时应用.

研究的目的:

• 提高基于EEG的情绪识别深度学习模型的效率和准确性.
• 探索独特的EEG频道和特征选择方法,以优化数据处理.
• 开发一种轻量级的深度学习方法,用于实时的情绪分类.

主要方法:

• 利用一维卷积神经网络 (1D-CNN) 来分析EEG信号和分类情绪状态.
• 实施了新的EEG通道和特征选择技术,以减少数据维度和提高模型效率.
• 采用数据增强策略来增加数据集大小并提高模型的稳定性.

主要成果:

• 实现了高平均准确率:MAHNOB-HCI上的97.6%,SEED上的95.3%,DEAP数据集上的89.0%.
• 1D-CNN模型有效地捕获了区分情绪状态的复杂模式 (高价值/低价值,高兴奋/低兴奋).
• 经过优化后的模型在内存,处理时间和准确性方面显著改善.

结论:

• 拟议的方法为基于EEG的情绪识别提供了一种高效和准确的方法.
• 结果表明,开发具有成本效益的物联网设备,用于实时EEG数据收集和情绪分析具有很大的潜力.
• 这项研究提高了情感感知系统在各种现实世界的场景中的可行性和适用性.