基于视频级特征的频道注意力卷积聚合网络用于EEG情绪识别

科学领域:

• 情感计算是一种情感计算.
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 电脑电图 (EEG) 情绪识别对于情感计算至关重要.
• 由于组织效率低下,当前的方法难以同时分析多域EEG特征.
• 需要采用统一的方法来整合时间,频率和空间EEG数据.

研究的目的:

• 为EEG情绪识别提出一个有效的视频级特征组织方法.
• 开发一个深度的神经网络,从有组织的EEG特征中探索更深层次的情感信息.
• 为了提高基于EEG的情绪识别的准确性和稳定性.

主要方法:

• 一种新的视频级特征组织方法,以整合时间,频率和空间EEG领域.
• 开发一个频道注意力卷积聚合网络 (C-CAN) 用于特征提取.
• 使用通道注意力机制进行适应频段选择,使用NeXtVLAD进行时间特征聚合.

主要成果:

• 提出的方法在SEED和DEAP数据集上实现了最先进的性能.
• 种子数据集:平均准确率为95.80%±2.04%.
• DEAP数据集:激发精度为98.97%±1.13%和价值精度为98.98%±0.98%. 在DEAP数据集中,激发精度为98.97%±1.13%,价值精度为98.98%±0.98%.

结论:

• 视频级特征组织方法对EEG情绪识别非常有效.
• C-CAN模型成功地提取和汇总了多域EEG特征,以改善情绪分类.
• 这种方法为推进情感计算研究提供了一个有希望的方向.