轻量级的注意力机制用于EEG情绪识别,用于大脑计算机接口
Naresh Kumar Gunda1, Mohammed I Khalaf2, Shaleen Bhatnagar3
1Information Technology Management, Campbellsville Univeristy, Campbellsville, KY, United States.
Journal of neuroscience methods
|July 20, 2024
概括
这项研究引入了一种轻量级的网络,用于从脑电图 (EEG) 数据中识别情绪,达到95.18%的准确性. 这种新的方法显著降低了计算参数,同时增强了功能聚合,以提高脑计算机接口性能.
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
- 生物医学工程 生物医学工程
背景情况:
- 从脑电图 (EEG) 数据中识别情绪是具有挑战性的,因为数据量,信号复杂性和多个道.
- 大脑-计算机接口 (BCI) 需要有效和准确的方法来解释神经信号.
研究的目的:
- 开发一个轻量级的网络,以最大限度地提高基于EEG的情绪识别的准确性和性能.
- 为了显著减少计算参数,同时保持高分类准确度.
主要方法:
- 提出了一个轻量级网络 (LDMGEEG),使用双流结构缩放和多重注意力机制.
- 采用对称的双流架构,从EEG信号的微分特征分析时间域和频域的时空图.
- 利用不同的频道时间/频率空间多重注意力和后注意力机制来聚合特征.
主要成果:
- 在SEED数据集上实现了95.18%的准确性,代表了最先进的性能.
- 显著减少了计算参数的数量.
- 与现有模型相比,模型参数减少了98%,显示出显著的效率提升.
结论:
- 拟议的轻量级网络通过先进的注意力机制有效地增强了功能聚合.
- 该方法在基于EEG的情绪识别中实现了卓越的性能,具有显著的参数减少.
- 这种方法为BCI应用中高效准确的情绪识别提供了有希望的解决方案.
