通过基于修改的卷积模糊神经网络的EEG信号来检测情绪
Nasim Ahmadzadeh Nobari Azar1,2, Nadire Cavus3,4, Parvaneh Esmaili5
1Department of Biomedical Engineering, Near East University, 99138, Nicosia, Cyprus. nasim.ahmadzadeh@neu.edu.tr.
Scientific reports
|May 6, 2024
概括
这项研究使用脑电图 (EEG) 信号与新型卷积模糊神经网络 (CFNN) 增强了情绪识别. 改进的CFNN模型在检测情感价值和兴奋方面取得了很高的准确性,优于现有的方法.
科学领域:
- 神经科学和人工智能 人工智能
- 计算心理学 计算心理学
背景情况:
- 面部表情分析用于情绪识别是不可靠的,因为有意隐藏.
- 电脑电图 (EEG) 信号为情绪检测提供了更客观的测量方法.
- 传统的机器学习方法难以应对EEG数据的复杂性,导致结果不一致.
研究的目的:
- 开发一个可靠的情绪识别系统,使用EEG信号.
- 通过增强卷积模糊神经网络 (CFNN) 来提高情绪检测的性能.
- 通过优先考虑较少参数的模型来实现高精度.
主要方法:
- 对EEG信号进行预处理和特征提取以确保数据质量.
- 一个修改的卷积模糊神经网络 (CFNN) 架构被开发和训练用于情绪分类.
- 进行了参数和比较实验来评估模型的性能.
主要成果:
- 拟议的CFNN模型在情绪识别方面展示了可靠的性能.
- 该系统在价值 (愉悦性) 方面实现了98.21%的平均准确率.
- 该系统在唤醒 (强度) 方面实现了98.08%的平均准确性,超过了最先进的方法.
结论:
- 增强的CFNN提供了一种强大而准确的方法,用于从EEG信号中识别情绪.
- 这种方法解决了分析复杂EEG数据的传统方法的局限性.
- 该模型的高精度和效率使其成为各种应用的有希望的工具.
