一种基于EWT-3D-CNN-BiLSTM-GRU-AT模型的情感识别方法

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 从脑电图 (EEG) 数据的情绪分类对于大脑机器相互作用 (BMI) 至关重要.
• 情绪识别系统的稳定性是一个关键的挑战,由手动特征工程或人工智能驱动的特征推断来解决.
• 脑电图信号本质上是杂的,非静止的,非线性,需要先进的处理技术.

研究的目的:

• 提出一种基于人工智能的新方法,以提高EEG情绪分类的稳定性和准确性.
• 整合信号分解,特征提取和深度学习,以实现全面的情绪识别框架.
• 结合来自多通道EEG记录的空间和时间信息,以改进分类.

主要方法:

• 经验波纹转换 (EWT) 用于EEG信号分解以获得频率组件.
• 基于频率的线性和非线性特征被提取并映射到二维和随后的三维表示.
• 开发了一个3D深度学习模型,包括卷积神经网络 (CNN),双向长期短期记忆 (BiLSTM),门式循环单元 (GRU) 和自我注意力 (AT) (EWT-3D-CNN-BiLSTM-GRU-AT).

主要成果:

• 开发的EWT-3D-CNN-BiLSTM-GRU-AT模型在DEAP数据集上实现了高分类准确率,价值为90.57%,激发为90.59%.
• 该框架成功地将手工制作的功能与最先进的深度学习模型相结合.
• 该模型使用独立于人的方法进行评估,与现有的情绪分类方法相比,该模型表现出卓越的性能.

结论:

• 拟议的新型框架显著提高了基于EEG的情绪分类的准确性和稳定性.
• 集成EWT,功能工程和先进的深度学习架构为情感计算提供了一个强大的方法.
• 这项研究为开发更复杂,更可靠的情绪识别系统为BMI和其他应用提供了坚实的基础.