一个增强的Coati优化算法用于全球优化和特征选择在EEG情感识别

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
• 人工智能的人工智能

背景情况:

• 使用脑电图 (EEG) 信号识别情绪对于医疗保健,教育和游戏领域的应用至关重要.
• 一个主要的挑战是缺乏标准化的特征集,导致情绪分类效率低下.
• 脑电图数据的高维度进一步使准确的情绪识别复杂化.

研究的目的:

• 引入一个先进的优化算法,eCOA,用于选择最佳的EEG特征来识别情绪.
• 为了解决Coati优化算法 (COA) 的局限性,例如局部最佳和不平衡的利用.
• 为了提高从EEG信号情绪分类的效率和准确性.

主要方法:

• 通过将Coati优化算法 (COA) 与RUNge Kutta优化器 (RUN) 集成,并结合规模因子 (SF) 和增强解决方案质量 (ESQ) 机制,开发了eCOA.
• 使用CEC'22测试套件和两个EEG情绪识别数据集 (DEAP和DREAMER) 评估了eCOA.
• 应用eCOA用于使用多层感知神经网络 (MLPNN) 进行二进制和多类情绪分类 (价值,兴奋,支配).

主要成果:

• 与COA和其他七种元启发方法相比,eCOA表现出优越的搜索能力,收性和多样性.
• eCOA有效地进行了特征选择,确定了最佳的EEG特征,以最大限度地提高情绪分类任务的性能.
• 获得了高分类准确度:DEAP激发的85.17%和DREAMER激发的95.21%,显著优于现有方法.

结论:

• 拟议的eCOA算法为情绪识别中的EEG特征选择提供了强大而高效的解决方案.
• 与当前最先进的方法相比,eCOA显著提高了情绪分类的准确性.
• 这一进步为更复杂,更可靠的脑计算机接口和情感感知系统带来了希望.