S-LSTM-ATT:一种混合深度学习方法,具有优化功能,用于在脑电图中识别情绪
Abgeena Abgeena1, Shruti Garg1
1Department of Computer Science and Engineering, Birla Institute of Technology, Mesra, Ranchi, 835215 India.
Health information science and systems
|September 1, 2023
概括
这项研究引入了一种新的深度学习模型,用于使用电脑电图 (EEG) 识别人类情绪. 叠加长期短期记忆与注意力 (S-LSTM-ATT) 模型在从EEG信号分类情绪方面取得了高准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 人类情感识别对于推进人机界面至关重要.
- 脑电图 (EEG) 数据由于其复杂多样性而带来了挑战,阻碍了一致的情绪识别.
- 开发基于EEG的情绪识别强大的方法是一个活跃的研究领域.
研究的目的:
- 为了研究电脑电图 (EEG) 信号,以准确识别人类情绪.
- 提出一种新的深度学习模型,用于从EEG数据中增强情绪识别.
- 为了应对与EEG信号的复杂性和多样性相关的挑战.
主要方法:
- 一种新的深度学习 (DL) 模型,将长期短期记忆与注意力 (S-LSTM-ATT) 堆叠在一起,用于EEG信号中的情绪识别 (ER).
- 使用火优化算法 (FFOA) 提取最佳特征,以有效识别情绪.
- 该S-LSTM-ATT模型利用长期短期记忆 (LSTM) 的优势,并结合了注意网络,以捕捉EEG数据中的时间依赖性和模式.
主要成果:
- 拟议的S-LSTM-ATT模型在SEED数据集上达到97.83%的高准确率,在EEG脑波数据集上达到98.36%的高准确率,用于将情绪分类为积极,中立和消极.
- 使用精度,回忆,F1得分和kappa得分来评估性能,证明了该模型的适用性.
- 在标准EEG情感识别数据集上,S-LSTM-ATT模型的表现优于基线模型,包括卷积神经网络 (CNN),门式循环单元 (GRU) 和LSTM.
结论:
- 基于FFOA的特征选择和S-LSTM-ATT分类模型的组合显示出对从EEG信号中准确识别情绪的显著前景.
- 该模型在各种指标上的表现证实了其适用于情感识别中的现实应用的适用性.
- 这项研究为基于EEG的情绪识别这一具有挑战性的领域提供了强大的深度学习方法.
