FC-TFS-CGRU:一种基于功能连接和卷积门循环单元混合架构的时空频率空间脑电图情绪识别模型

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 门式循环单元 (GRU) 网络擅长在1D信号中捕获时间数据,如脑电图 (EEG).
• 然而,GRU在提取精确基于EEG的情绪识别所必需的关键频率空间特征方面存在局限性.
• 多域EEG特征 (空间,频率,时间) 对于理解情绪状态至关重要.

研究的目的:

• 为改进EEG情感识别提出一个混合卷积神经网络门循环单元 (CGRU) 架构.
• 从EEG信号中有效捕获互补的时间,空间和频率特征.
• 通过功能连接来研究大脑区域的相互作用,并通过注意力机制来加强分类.

主要方法:

• 开发了一种混合的卷积神经网络门隔循环单元 (CGRU) 模型,集成空间,频率和时间特征提取.
• 集成的功能连接分析使用相锁值来捕获空间信息的通道间相差.
• 在分类模块中实施了注意力机制,以权衡不同EEG特征的贡献.

主要成果:

• 拟议的CGRU模型在DEAP和DREAMER数据集的受试者依赖实验中实现了高精度 (高达99.59%).
• 独立于对象的实验也显示出显著的性能改善,精度达到DEAP的67.05%和DREAMER的75.89%.
• 与现有方法相比,该模型在识别EEG信号的兴奋,价值和主导方面表现出更好的表现.

结论:

• 混合CGRU架构有效地捕捉了EEG信号中的复杂的空间频率和时间动态,用于情绪识别.
• 整合功能连接和注意力机制进一步增强模型处理与情绪相关的细微脑活动的能力.
• 这些发现突显了先进的深度学习模型对于基于EEG的强大而准确的情绪识别系统的潜力.