一种改进的经验模式分解方法与集体分类器用于分析BCI情绪识别BCI情绪识别中的多通道EEG

科学领域:

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

背景情况:

• 从脑电图 (EEG) 信号中识别情绪是具有挑战性的,因为神经元活动的固有不稳定性和复杂性.
• 从杂的EEG数据中提取可靠的模式需要先进的信号处理和分析技术.
• 现有的方法经常与与情绪相关的大脑信号的动态和复杂性质作斗争.

研究的目的:

• 开发和评估一种混合模型,用于从多通道EEG信号中增强情绪识别.
• 为了提高分析不稳定的EEG数据的效率和准确性,用于情感计算.
• 为了研究一种新的分解和特征选择技术的有效性,用于情绪分类.

主要方法:

• 提出了一个混合模型,将改进的实证模式分解 (IEMD) 与Kruskal Wallis (KW) 测试和ensemble分类器 (IEMD-KW-Ens) 集成在一起.
• IEMD包含了改进的选停止标准和中间波器,以实现最佳的EEG信号分解.
• 特征提取包括时间,频率和非线性特征,其次是基于KW测试的特征选择. 在DEAP和DREAMER数据集上使用RUSBoosted树和卷积神经网络 (CNN) 进行分类.

主要成果:

• 拟议的IEMD-KW-Ens混合模型成功地展示了情绪在价值,兴奋和主导层面上的分类.
• IEMD技术有效地分解了EEG信号,促进了更准确的特征提取和分析.
• 机器学习 (RUSBoosted trees) 和深度学习 (CNN) 方法,当与混合模型相结合时,在情感识别方面表现显著.

结论:

• 混合IEMD-KW-Ens模型提供了一种强大而有效的方法,用于使用复杂的EEG信号进行情绪识别.
• 信号分解策略对于提高模型在情感计算和理解情绪状态中的实用性至关重要.
• 这项研究为推进脑计算机接口和情感感知系统领域提供了有价值的方法.