基于数据驱动的信号自分段和特征融合的EEG情绪识别

科学领域:

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

背景情况:

• 大脑计算机接口 (BCI) 研究利用网络连接上的模式识别来通过电脑图 (EEG) 信号识别情绪.
• 目前的研究缺乏统一的标准来选择情绪信号,并且经常忽视与网络连接相关的大脑区域激活差异.
• 这种差距阻碍了强大的情绪识别系统的发展.

研究的目的:

• 提出一个数据驱动的信号自动细分和特征融合算法 (DASF),以解决基于EEG的情感识别方面的局限性.
• 整合大脑功能连接模式与动力分配特征,以增强情绪分类.
• 在BCI研究中建立一种更标准化,更准确的情感识别方法.

主要方法:

• 使用相锁定值 (PLV) 方法和塔克分解构建了动态的大脑功能网络.
• 采用数据驱动的方法来区分大脑网络状态,并自动提取情绪信号段.
• 使用张量稀疏表示来提取特征,并将功率分配特征 (微分,能量) 与功能连接特征相结合,用于SVM分类.

主要成果:

• 实现了单一特征情感分类准确率为86.57% (价值) 和87.74% (兴奋).
• 拟议的特征融合方法提高了精度,达到89.14% (价值) 和89.65% (激发).
• 与ERN和DEAP数据集上的最先进的方法相比,证明了更高的分类性能.

结论:

• DASF算法有效地整合了各种EEG信号特征,以改善情绪识别.
• 数据驱动的方法增强了从EEG数据中选择和提取相关的情绪状态.
• 这种方法为需要精确情绪检测的BCI应用提供了有希望的进步.