混合功能集成模型和自适应变压器方法用于用EEG信号识别情绪
C H Narsimha Reddy1, Shanthi Mahesh2, K Manjunathachari3
1Assistant Professor, EECE, GITAM University Patancheru Mandal, Hyderabad, Telangana 502329, India.
Computer methods in biomechanics and biomedical engineering
|September 9, 2023
概括
这项研究引入了一种新的启发式辅助变压器模型,用于从电脑电图 (EEG) 信号中准确识别情绪. 该方法增强了特征选择和模型优化,在识别人类情绪方面实现了高精度.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 脑电图 (EEG) 信号对于情绪识别至关重要,因为它们含有丰富的与大脑相关的信息.
- 传统方法面临诸如微不足道的特征,不良的概括和计算负担等挑战.
- 现有的模型经常与EEG数据固有的复杂性和噪声作斗争.
研究的目的:
- 提出一种有效的情感识别模型,使用启发式辅助的基于变压器的方法.
- 解决基于EEG的情绪识别传统方法的局限性.
- 提高自动化人类情绪识别的准确性和可行性.
主要方法:
- 使用5级离散波段转换 (DWT) 分解了EEG信号.
- 通过物流回归 (LR) 来提取特征,并使用自适应式 Bald Eagle 搜索优化 (ABESO) 进行最佳加权特征选择.
- 使用具有ABESO调节参数的优化块循环变压器 (OBRT) 进行情绪识别.
主要成果:
- 在情绪识别方面实现了96%的准确性和94%的精度.
- 与现有方法相比,表现出优越的性能.
- 启发式辅助的变压器方法被证明是有效和可行的情感识别.
结论:
- 拟议的启发式辅助变压器模型显著提高了基于EEG的情绪识别.
- 整合DWT,LR,ABESO和OBRT为现有挑战提供了强大的解决方案.
- 该模型的高准确性和精度表明其对现实世界应用的潜力.
