MES-CTNet:一个基于多域特征图的新型囊变压器网络,用于基于脑电图的情感识别
Yuxiao Du1, Han Ding1, Min Wu2
1School of Automation, Guangdong University of Technology, Guangzhou 510006, China.
Brain sciences
|April 27, 2024
概括
这项研究引入了一个新的深度学习模型,MES-CTNet,用于识别来自电脑电图 (EEG) 信号的情绪. 这种新型网络通过分析多域特征来提高准确性,在脑与计算机接口方面取得了重大进展.
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:
- 基于脑电图 (EEG) 的情绪识别对于人机交互至关重要.
- 传统的方法很难有效地整合EEG信号的多域特征.
- 需要先进的模型来捕捉复杂的时空频率EEG模式.
研究的目的:
- 提出一种新的深度学习架构,MES-CTNet,用于增强基于EEG的情感识别.
- 通过结合空间,频率和时间特征来利用多域特征.
- 为了提高EEG数据的情绪识别的准确性和稳定性.
主要方法:
- 开发了一种新的囊变压器网络 (MES-CTNet),将高效通道注意力 (ECA) 和挤压和激发 (SE) 块纳入多通道囊神经网络 (CapsNet).
- 通过整合EEG信号的空间-频率-时间特征,构建了一个多域特征图.
- 采用基于变压器的时间编码层,用于对连续情感特征的全球感知.
主要成果:
- 在DEAP数据集上实现了高精度:98.31%的价值和98.28%的兴奋.
- 在SEED数据集上表现出卓越的表现,在跨会议任务中准确率为94.91%.
- 在实验评估中表现优于传统的EEG情绪识别方法.
结论:
- 拟议的MES-CTNet有效地提取和整合多域EEG特征,以实现卓越的情绪识别.
- 新的架构提供了更广泛的观察视角,显著提高了分类准确性.
- 在推进基于EEG的情绪识别应用中,MES-CTNet具有相当大的理论和实践价值.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.3K
05:51Exploring the Use of Isolated Expressions and Film Clips to Evaluate Emotion Recognition by People with Traumatic Brain Injury
Published on: May 15, 2016
9.0K
