一个微调的深度残留卷积神经网络用于基于频道矩阵的情绪识别,代表一维电脑图的频道矩阵

科学领域:

• 神经科学和人工智能 人工智能
• 机器学习用于人机交互的人机交互

背景情况:

• 情感识别 (ER) 对于先进的人机交互至关重要.
• 电脑电图 (EEG) 信号为ER提供了一个有希望的途径,但由于噪音和复杂性而具有挑战性.
• 由于EEG数据固有的特性,现有的ER系统难以准确.

研究的目的:

• 开发一个使用电脑电图 (EEG) 信号的自动化和准确的情绪识别系统.
• 为了利用深度学习和转移学习,从多道EEG数据中提取增强的特征.
• 研究来自EEG的频道矩阵 (FCM) 对于情绪分类的有效性.

主要方法:

• 使用预训练的深度残留卷积神经网络,包含17个卷积层和一个完全连接的层.
• 转移学习与使用威尔士功率光谱密度估计生成的频道矩阵 (FCM) 相结合.
• 该模型将一维EEG数据处理为二维FCM,用于自动化特征学习.

主要成果:

• 在使用5倍交叉验证的DEAP数据集上实现了93.61% ± 0.84%的平均准确性.
• 报告的高性能指标包括平均精度 (94.70%),灵敏度 (95.13%),特异性 (91.04%) 和F1得分 (94.91%).
• 使用t分布式随机邻居嵌入的分析揭示了软max层激活的优越集群效应.

结论:

• 拟议的模型通过整合深度学习,转移学习和FCM,展示了有效的情感识别的巨大潜力.
• 这些发现突出了模型自动学习复杂的EEG数据的内在特征的能力.
• 这种方法为推进情绪识别系统的准确性和可靠性提供了一个有希望的方向.