CSA-SA-CRTNN:一个双流自适应卷积周期混合网络,结合了对EEG情绪识别的注意力机制
Ren Qian1, Xin Xiong1, Jianhua Zhou1
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China.
Brain sciences
|August 29, 2024
概括
这项研究引入了一种新的卷积循环混合网络 (CSA-SA-CRTNN),用于基于脑电图 (EEG) 的高级情绪识别,显著提高了准确性和效率.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 基于EEG的情绪识别面临着模型效率和信息丢失的挑战.
- 现有的方法往往难以平衡精度和计算成本.
研究的目的:
- 为了提高基于EEG的情绪识别准确度.
- 为了降低情绪分类中的计算成本.
- 充分利用来自EEG信号的情绪信息.
主要方法:
- 提出了一种具有双流自适应方法和注意力机制的卷积循环混合网络 (CSA-SA-CRTNN).
- 使用CSAM模块进行EEG通道权重.
- 采用自适应式双流卷积循环网络 (SA-CRNN,MHSA-CRNN) 进行局部特征提取.
- 集成了一个多头自我注意时间卷积网络 (MHSA-TCN),用于全球信息捕获.
主要成果:
- 在DEAP数据集上实现了高精度: 99.26% (二进制激发), 99.15% (二进制价值), 97.69% (三进制激发), 98.05% (三进制价值).
- 在SEED数据集上获得了98.63%的准确性,超过了现有的算法.
- 与其他模型相比,显示出显著更高的模型效率与更低的资源消耗.
结论:
- CSA-SA-CRTNN模型有效地提高了基于EEG的情绪识别精度.
- 拟议的网络为情绪分类提供了一个计算效率高的解决方案.
- 这种方法最大限度地利用了EEG数据中的情绪信息.
