基于EEG的交叉主题情绪识别通过随机森林的动态优化与子搜索算法
Xiaodan Zhang1, Shuyi Wang1, Kemeng Xu1
1School of Electronics and Information, Xi'an Polytechnic University, Xi'an, Shaanxi 710060, China.
Mathematical biosciences and engineering : MBE
|March 29, 2024
概括
这项研究引入了一种Sparrow搜索算法优化的随机森林 (SSA-RF),用于使用EEG信号更准确的跨主体情绪识别. 这种新的方法提高了分类准确性,为人工智能和生物信息学应用提供了进步.
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:
- 基于EEG的情绪识别旨在将情绪从大脑信号分类出来.
- 跨主体情绪识别面临挑战,原因是模型参数适应性差,导致准确性低.
- 现有的方法很难在不同个体之间进行概括.
研究的目的:
- 开发一个更准确的跨主体情绪识别模型.
- 在跨主题场景中解决传统随机森林模型的局限性.
- 提高分类模型参数的适应性.
主要方法:
- 提出了一个动态优化的随机森林模型,命名为SSA-RF.
- 利用搜索算法 (SSA) 来动态优化随机森林的决策树号 (DTN) 和最小叶数 (LMN).
- 采用了12个特征来构建最佳的特征组合.
- 使用DEAP和SEED数据集验证模型.
主要成果:
- 在DEAP数据集上实现了76.81%的二进制分类准确度.
- 在SEED数据集上实现了75.96%的三重分类准确度.
- 与传统的随机森林模型相比,表现出更高的性能.
结论:
- SSA-RF模型在跨主体情绪识别准确度方面提供了显著的改进.
- SSA对随机森林参数的动态优化提高了模型的适应性.
- 这项研究为推进人工智能和生物信息学在情感识别方面的应用提供了宝贵的见解.
