使用神经生理信号和时空情感强度回归网络即时估计瞬时的情感反应
Kaiyu Gan1, Ruiding Li1, Jianhua Zhang2
1Engineering Research Center of Optical Instrument and System, Ministry of Education, Shanghai Key Lab of Modern Optical System, University of Shanghai for Science and Technology, Shanghai 200093, PR China; School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, PR China.
概括
这项研究引入了一种使用脑电图 (EEG) 信号测量情绪强度的新方法. 开发的STEIR-Net准确地估计了持续的情绪强度,超过了传统模型.
科学领域:
- 神经科学是一个神经科学.
- 情感计算是一种情感计算.
- 机器学习 机器学习
背景情况:
- 使用脑电图 (EEG) 的传统情绪分类依赖于固定的情绪标签,忽视了情绪内的动态强度变化.
- 脑电图信号含有丰富的时间动态,反映了细微的情绪状态,这些情绪状态在当前的模型中往往过于简单化.
研究的目的:
- 开发一个框架,利用人类的反来获得微粒度EEG段的瞬时情感标签.
- 提出和评估一个新的时空情绪强度回归网络 (STEIR-Net) 来从EEG持续评估情绪强度.
主要方法:
- 开发了一个框架,通过人类反收集EEG段的瞬间情感标签.
- 设计了一个新的时空情感强度回归网络 (STEIR-Net),集成了来自九个皮层区域的时空EEG模式.
- 通过使用SEED和SEED-IV数据库,与经典回归模型对比,评估了STEIR-Net的性能.
主要成果:
- 与经典模型相比,STEIR-Net表现出卓越的性能,将根平均平方误差 (RMSE) 降低了4-9% (SEED) 和2-4% (SEED-IV).
- 额叶和叶皮层区域被确定为影响力强度变化的重要贡献者.
- 对于幸福和恐惧,与中性和悲伤情绪相比,在模型估计和瞬间标签之间观察到更高的相关性.
结论:
- 拟议的框架和STEIR-Net有效地捕捉和估计来自EEG的持续情绪强度,为情感计算提供了更细致的方法.
- 这些发现强调了在基于EEG的情绪识别中考虑动态情绪强度和特定大脑区域的重要性.
