通过使用图形理论和卷积神经网络,从EEG信号中自动识别多种情感类别

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:

• 传统上,情感识别依赖于主观面部表情分析,但面部表情分析有限且容易出现错误.
• 从脑电图 (EEG) 信号中识别情绪的现有方法往往缺乏全面的特征提取能力.
• 人类情绪的复杂性需要先进的客观方法来准确检测.

研究的目的:

• 开发和验证一种使用电脑电图 (EEG) 信号进行情绪识别的新型自动方法.
• 通过将图形理论与深度卷积网络集成来提高情感分类准确性.
• 探索生成对抗网络 (GAN) 在增强EEG数据以改善模型训练方面的潜力.

主要方法:

• 设计了一个新的深度学习模型,将图形理论和卷积网络 (4GConv层) 结合起来,用于EEG信号分析.
• 音乐刺激被用来诱导积极,消极和中性情绪状态,创建一个全面的情绪数据库.
• 使用生成对抗网络 (GAN) 来补充记录的EEG数据,增强数据集的多样性和规模.

主要成果:

• 提出的模型实现了高分类准确率:99%的两类 (正/负) 和98%的三类 (正/负/中性) 情绪识别.
• 深度网络有效地从EEG数据中提取动态信息,在比较分析中优于现有的方法.
• 图形理论和卷积网络的整合表明了分析复杂的EEG模式的强有力的方法.

结论:

• 开发的基于EEG的自动情绪识别系统比传统方法有了显著的进步.
• 这种新的方法显示了大脑与计算机接口 (BCI) 系统增强能力和集成的巨大前景.
• 该方法为理解与情绪相关的大脑状态提供了一个客观和准确的框架.