CATM:一个基于多个特征的跨度注意力卷积EEG情绪识别模型.
Hongde Yu1, Xin Xiong1, Jianhua Zhou1
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China.
Sensors (Basel, Switzerland)
|August 10, 2024
概括
这项研究引入了一种新的卷积注意力模型 (CATM),用于增强脑电图 (EEG) 情绪识别. 通过有效利用来自EEG信号的时间,频率和空间信息,CATM模型显著提高了分类准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 现有的脑电图 (EEG) 情绪识别方法往往无法充分利用时间,频率和空间信息,导致分类准确度不足.
- 这种局限性阻碍了有效的脑计算机接口和情感计算应用程序的开发.
研究的目的:
- 为基于EEG的情绪识别提出一种新的卷积注意力模型 (CATM),该模型集成了多特征和多频段信息.
- 通过利用跨度注意力机制来提高EEG情绪分类的准确性.
主要方法:
- 开发了一个卷积注意力模型 (CATM),包括一个跨度注意力模块,频率空间注意力模块,特征过渡模块,时间特征提取模块和深度分类模块.
- 在不同的尺度上提取空间特征,并使用注意力机制将重量分配给重要的道和空间位置.
- 提取时间特征并对预处理的EEG信号进行深度分类.
主要成果:
- 在DEAP数据集上实现了高准确度:在二元分类中,价值率为99.70%,兴奋率为99.74%,在四类分类中达到97.27%.
- 在少数道 (5 道) 实验中表现出强的性能,对二元分类的准确率为 97.96% (价值) 和 98.11% (激发),对四类分类的准确率为 92.86%.
- 在全通道和少通道EEG情绪识别任务中表现优于其他近期方法.
结论:
- 拟议的CATM模型有效地利用多域信息 (时间,频率,空间) 来实现更高级的EEG情绪识别.
- 该模型即使在EEG频道数量减少的情况下也表现出稳定性和高精度,这表明其实际适用性.
