通过长短期记忆重复的深度神经网络,提高基于脑电图的情绪识别的准确性
Mohammad Reza Yousefi1,2, Amin Dehghani3, Hamid Taghaavifar2
1Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran.
Frontiers in human neuroscience
|October 26, 2023
概括
这项研究引入了一个深度学习模型,用于使用脑电图 (EEG) 信号进行准确的情绪识别 (ER). 这种新的方法实现了97.5%的准确性,为医疗保健和人机交互中的先进应用铺平了道路.
科学领域:
- 神经科学和情感计算
- 人工智能和机器学习
背景情况:
- 情绪对于沟通至关重要,影响大脑功能和行为.
- 电脑电图 (EEG) 提供了一种非侵入性方法来测量与情绪相关的大脑活动.
- 从复杂的EEG信号中准确地识别情绪 (ER) 仍然是一个重大的研究挑战.
研究的目的:
- 开发和评估一种深度学习方法,以使用EEG信号来增强情绪识别.
- 从神经数据准确地分类情绪状态的现有方法的局限性.
主要方法:
- 一种涉及特征提取和选择的多阶段方法,使用DEAP数据集上的聚类技术.
- 应用一种新的双LSTM (长短期记忆) 深度学习模型进行分类.
- 功能选择侧重于Hurst的视图和统计特征,以提高ER准确度.
主要成果:
- 提出的深度学习模型在分类情绪方面取得了97.5%的高精度.
- 通过四个情绪维度进行成功的分类:兴奋,价值,喜欢/不喜欢,主导和熟悉.
- 证明了双LSTM架构与基于集群的特征选择相结合的有效性.
结论:
- 深度学习方法显示出对从EEG信号中准确识别情绪的显著前景.
- 潜在的应用包括改善情绪障碍治疗方法和更智能的人机交互.
- 建议对更大的数据集和现实世界的场景进行进一步验证.
