相关实验视频
Updated: Jun 27, 2025
09:32
Cortical Source Analysis of High-Density EEG Recordings in Children
Published on: June 30, 2014
21.3K
构建轻量级数据基于EEG的情绪识别的最佳通道动态选择
Xiaodan Zhang1, Kemeng Xu1, Lu Zhang1
1School of Electronics and Information, Xi'an Polytechnic University, Xi'an, Shaanxi, 710600, China.
Heliyon
|May 2, 2024
概括
这项研究引入了ACO-CNN-LSTM,用于精确的电脑电图 (EEG) 情绪识别,使用更少的道. 这种新的方法提高了计算效率,并且在减少数据量的情况下实现了高精度.
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:
- 目前的脑电图 (EEG) 情绪识别方法通常依赖于大量数据和众多道,增加计算复杂性.
- 提高准确性通常涉及更大的数据集和更复杂的特征提取,导致大量的时间和资源消耗.
研究的目的:
- 开发一种更有效,更准确的基于EEG的情绪识别方法.
- 引入一种轻量级的数据方法,用于使用群优化 (ACO) 结合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的动态最佳通道选择.
主要方法:
- 使用快速里埃转换 (FFT) 将EEG信号转换为频率域.
- 从特定的频段中提取了差异 (DE) 特性.
- 殖民地优化 (ACO) 用于根据CNN-LSTM分类准确度来确定最佳电极通道.
- 最初的学习速度和批量大小针对数据特征进行了优化.
主要成果:
- 在SJTU情绪EEG数据集 (SEED) 上,ACO-CNN-LSTM方法在三类情绪识别 (正,中性,负) 上实现了96.59%的平均准确性.
- 与传统的CNN-LSTM方法相比,计算效率提高了15.85%.
- 精度保持在90%以上,即使数据量减少了50%.
结论:
- 拟议的ACO-CNN-LSTM方法在EEG情绪识别的准确性和计算效率上都取得了显著的改进.
- 这种方法可以使用轻量级数据进行有效的情绪识别,从而减少对大量计算资源的需求.
