使用机器深度学习模型从EEG信号中检测情绪

科学领域:

• 神经科学和人工智能 人工智能
• 计算神经科学是一种神经科学.
• 情感计算是一种情感计算.

背景情况:

• 情绪检测对于理解人类反应至关重要.
• 脑电图 (EEG) 是一种直接的,非侵入性的脑活动监测方法.
• 基于EEG的情绪检测对于脑电脑接口和心理健康应用非常有价值.

研究的目的:

• 评估机器学习和深度学习模型,从EEG信号中分类情绪 (积极,消极,中性).
• 为了比较图形卷积神经网络 (GCNN) 与其他模型,如深度神经网络 (DNN) 和支持矢量机器 (SVM) 的性能.
• 分析关键EEG信号属性的有效性,包括差异 (DE) 和功率光谱密度 (PSD),用于情绪分类.

主要方法:

• 利用公开的SEED (SJTU情感EEG数据集) 数据集,包括参与者观看情感电影片段的EEG信号.
• 在模型评估中采用了依赖对象的实验方法.
• 专注于图形卷积神经网络 (GCNN),并将其性能与深度神经网络 (DNN) 和支持矢量机器 (SVM) 进行了比较.
• 提取和分析了关键的EEG特征,如微分 (DE),功率光谱密度 (PSD),以及各种不对称性和因果关系措施.

主要成果:

• 图形卷积神经网络 (GCNN) 在主体依赖的情绪分类中实现了平均准确率为89.97%.
• 深度神经网络 (DNN) 达到86.08%的准确性,性能优于SVM,但处理要求更高.
• 这项研究强调了特定EEG特征在区分情绪状态方面的有效性.

结论:

• 图表卷积神经网络 (GCNN) 在基于EEG的情绪检测方面表现出卓越的性能.
• 功能选择和模型选择对于准确和高效的情绪分类至关重要.
• 基于EEG的情绪检测对现实世界的应用具有重大潜力,强调道德考虑.