多域EEG签名的融合改善了情绪识别

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 情感计算是一种情感计算.

背景情况:

• 基于脑电图 (EEG) 的情绪识别是人机交互的关键.
• 对于理解EEG信号的复杂性,频率和不同情绪的时空信息仍然存在挑战.

研究的目的:

• 为增强基于EEG的情绪识别开发一个多维框架.
• 探索情绪价值和EEG信号特征之间的关系.

主要方法:

• 在32名参与者中利用音频视频刺激引起四种情绪 (悲伤,恐惧,快乐,中立).
• 在情绪状态期间收集EEG信号.
• 开发了一个框架,将相锁定值 (PLV),微态和功率光谱密度 (PSD) 进行分析.

主要成果:

• 功率光谱密度 (PSDs) 与情绪价值增加.
• 在特定的大脑叶的高频带连接使情绪产生差异化.
• 微态过渡概率与情感价值相关.
• 合并的EEG特征实现了64.69%的跨主题分类准确度,比单一特征方法改进了7%.

结论:

• 不同的EEG特征为情绪识别提供了补充信息.
• 来自PLV,微状态和PSD的EEG数据的相关融合显著提高了情绪分类性能.