基于EEG的精神任务分类的三模型分类器:混合优化辅助框架

科学领域:

• 神经科学和人工智能 人工智能
• 人与计算机的交互

背景情况:

• 情绪是人类认知和行为的组成部分,影响决策和互动.
• 人们对脑计算机接口 (BCI) 技术越来越感兴趣,因此需要可靠的方法来检测个人的情绪状态.
• 可穿戴设备对于日常生活应用越来越重要,推动了对复杂情绪识别的需求.

研究的目的:

• 开发和评估电脑电图 (EEG) 识别模型,以准确检测情绪.
• 通过使用一种新的优化技术,提高多个分类器 (LSTM,DBN,RNN) 的性能.
• 通过各种绩效指标来证明拟议模型和优化方法的有效性.

主要方法:

• EEG信号使用带通波器进行预处理.
• 提取了关键特征,包括离散波纹转换 (DWT),带功率,光谱平度和改进的入.
• 使用长短期记忆 (LSTM),深度信念网络 (DBN) 和反复神经网络 (RNN) 分类器进行了情感识别.
• 使用鱼气味更新BES优化 (SSU-BES) 模型调整三分类器的重量,提高其性能.

主要成果:

• 由SSU-BES增强的拟议的EEG识别模型在情绪检测方面表现出卓越的性能.
• 特征提取技术有效地捕获了来自EEG信号的相关信息.
• 结合先进的分类器和SSU-BES优化,显著提高了识别准确性和可靠性.
• 模型的完美性通过使用各种性能指标得到验证.

结论:

• 开发的基于EEG的情绪识别系统为BCI应用提供了有前途的解决方案.
• SSU-BES优化技术有效地提高了情绪检测深度学习分类器的性能.
• 这项研究有助于推进可靠和可实施的方法,以在日常生活中识别个人情绪反应.