使用基于CWT的EEG特征表示和CNN分类器的减少道的情绪识别
Md Sultan Mahmud1, Shaikh Anowarul Fattah2, Mohammad Saquib3
1Department of Computer Science and Engineering, The Pennsylvania State University, University Park-16802, PA, United States of America.
Biomedical physics & engineering express
|March 8, 2024
概括
这项研究引入了一种使用连续波波变换 (CWT) 的新方法,以从脑电图 (EEG) 数据中更准确和更有效地识别情绪,提高分类性能和减少计算负载.
科学领域:
- 神经科学和计算机智能
- 生物医学信号处理
背景情况:
- 从脑电图 (EEG) 数据中识别情绪是一个长期以来的研究领域.
- 现有的方法通常需要大量的计算,并且缺乏高效的特征域来改进分类.
- 存在需要更准确和计算上不那么密集的基于EEG的情绪识别技术.
研究的目的:
- 为多通道EEG数据提出一种基于连续波波变换 (CWT) 的新型特征表示.
- 为了提高自动情绪识别的准确性,同时降低计算复杂性.
- 为EEG情绪识别引入有效的道和CWT尺度选择方案.
主要方法:
- 利用连续波波变换 (CWT) 在EEG数据中保存时间频率信息.
- 将CWT系数映射到强度与的成分比率上,创建一个2D表示 (CEF2D).
- 采用深度卷积神经网络架构,使用CEF2D特征矩阵.
- 开发了基于CWT域能量与比的方案,用于道和尺度的选择.
主要成果:
- 在2类和3类情绪识别任务中实现了更好的分类准确性.
- 报告的平均准确率为98.83% (价值) 和98.95% (激发) 的2类问题.
- 在三类问题上,平均准确度为98.25% (价值) 和98.68% (激发).
结论:
- 从CWT领域的EEG数据中获得的基于值的特征对情绪识别非常有效.
- 与之前的研究相比,拟议的特征域显著提高了分类性能.
- 基于CWT域能量与比的有效通道选择有效地减少了计算复杂性.
