DSE-Mixer:一个纯粹的多层感知子网络,用于从EEG特征图中识别情绪
Kai Lin1, Linhang Zhang1, Jing Cai1
1Colleage of Instrumentation and Electrical Engineering, Jilin University, Changchun, 130000, Jilin, China.
Journal of neuroscience methods
|November 15, 2023
概括
双尺度EEG-Mixer (DSE-Mixer) 模型通过有效地融合空间信息来增强来自大脑图的情感识别. 这种新的方法在基准数据集上实现了高准确性,在降低计算成本的情况下超过了现有的方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 从脑电图 (EEG) 信号中识别情绪是复杂的.
- 卷积神经网络 (CNN) 由于局部偏差而难以处理全球空间信息.
- 现有的方法往往限制了基于EEG的情绪识别的准确性.
研究的目的:
- 引入双尺度EEG-Mixer (DSE-Mixer) 模型,以改进EEG特征图处理.
- 加强对EEG信号中的全球空间信息的利用.
- 为了在情绪识别任务中获得更高的准确性.
主要方法:
- 设计了带有大脑区域和电极混合器层的DSE-Mixer模型,用于多尺度EEG信息融合.
- 实现了交替的行和列混合,用于跨区域和跨频道通信.
- 整合了一个道注意力机制,用于适应性道重要性学习.
主要成果:
- 在DEAP数据集上实现了95.19%的激发和95.22%的价值准确性.
- 在DEAP上的四类情感分类中达到很高的准确性 (例如,HVHA: 92.12%).
- 在SEED数据集上的三个情绪中获得了93.69%的平均准确性.
结论:
- DSE-Mixer在情绪识别方面表现出色.
- 与CNN和视觉变压器 (ViT) 相比,该模型实现了高精度,计算复杂性明显降低.
- DSE-Mixer为情感识别中的大脑地图处理提供了一种新,紧且有效的解决方案.
