将机器学习EEG信号分类应用于与情绪相关的大脑预测活动

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 情感计算是一种情感计算.

背景情况:

• 机器学习对于分类神经生理信号至关重要,特别是在情绪识别方面.
• 现有研究表明,由于测量技术,信号特征和分类器的差异,情绪识别准确度的高变化.

研究的目的:

• 为机器学习提供新的方法见解,用于使用脑电图 (EEG) 数据识别情绪.
• 为了比较不同分类器和特征类型的有效性来分类与情绪刺激相关的前刺激大脑活动.

主要方法:

• 对以前记录的健康参与者EEG数据的分析,这些健康参与者暴露在高和低兴奋的听觉和视觉情绪刺激中.
• 三种分类器的比较:线性差异分析 (LDA),支向量机 (SVM) 和k-近邻 (kNN).
• 评估静态 (光谱) 和动态 (时间演变,时间) 的特征进行分类.

主要成果:

• 最好的静态特征分类器组合是带有光谱特征的SVM (51.8%).
• 动态时间特征在所有分类器中显著优于静态光谱特征.
• 最顶级的动态特征分类器组合是具有时间特征的SVM,达到63.8%的准确性.

结论:

• 与静态光谱特征相比,动态时间特征在分类情绪识别前刺激大脑活动方面提供了实质性的改进.
• 机器学习模型,特别是具有动态时间特征的SVM,显示出从EEG数据中更准确地识别情绪的前景.