在多通道EEG中进行功能连接分析,用于用相锁值和3D CNN检测情绪

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 脑电图 (EEG) 信号分析对于理解大脑活动至关重要.
• 从EEG准确地检测情绪仍然是一个挑战,需要先进的信号处理和机器学习技术.

研究的目的:

• 开发和评估一种使用EEG信号进行情绪检测的新系统.
• 利用噪声辅助的多变量实证模式分解 (NA-MEMD) 进行增强的特征提取.
• 使用3D卷积神经网络 (CNN) 进行空间时间特征学习和分类.

主要方法:

• 将NA-MEMD应用于多通道EEG信号以提取内在模式函数 (IMF).
• 使用相锁值 (PLV) 进行功能连接分析,以创建连接图.
• 采用3D CNN来学习情感分类的连接地图的时空特征.

主要成果:

• 该系统在二元情绪分类中取得了高准确性 (价值:97.37%,兴奋:96.26%).
• 在DEAP数据集上,多类情绪分类的准确性达到94.78%,在SEED数据集上达到99.54%.
• 拟议的系统的性能优于现有的深度学习模型和传统的基于特征的EEG方法.

结论:

• 拟议的NA-MEMD和基于3D CNN的系统在基于EEG的情绪检测方面表现出卓越的性能.
• 这种方法有效地捕捉了时空大脑活动模式,以进行强大的情绪分类.
• 这些发现表明,开发用于情绪识别的先进脑计算机接口是一个有希望的方向.