用堆叠的自动编码器进行特征提取,用于EEG通道 减少情绪识别
Elnaz Vafaei1, Fereidoun Nowshiravan Rahatabad1, Seyed Kamaledin Setarehdan2
1Department of Biomedical Engineering, Faculty of Medical Sciences and Technologies, Science and Research Branch, Islamic Azad University, Tehran, Iran.
Basic and clinical neuroscience
|October 15, 2024
概括
这项研究引入了一种深度学习方法,使用堆叠的自编码器来减少电脑电图 (EEG) 道用于情绪识别. 该方法成功地将频道从32个减少到12个,同时保持分类准确度.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 使用电脑电图 (EEG) 信号识别情绪是具有挑战性的,因为复杂的特征提取和需要多个道.
- 现有的方法需要大量的EEG通道,这限制了实际应用和设备微型化.
研究的目的:
- 研究深度学习用于减少情绪识别中的EEG通道的使用.
- 开发一种特征分析方法和算法,以优化EEG通道选择.
- 在频道缩小过程中保持EEG信号的质量,以准确地分类情绪.
主要方法:
- 使用堆叠自编码器 (SAE) 网络,从EEG信号中进行最佳特征提取.
- 雇佣了SAE来捕捉EEG信号的线性和非线性特征.
- 应用支持向量机 (SVM) 分类器来评估用于情感识别的提取特征.
主要成果:
- 使用SAE提取的特征,获得了价值75.7%的精度和兴奋维度74.4%.
- 显示了EEG频道的显著减少,从32个减少到12个.
- 确定了用于价值和兴奋维度检测的独特通道组合.
结论:
- 深度学习,特别是SAE,可以有效地减少用于情绪识别的EEG通道,而不会影响信号质量.
- 优化的特征提取方法可以设计更小,更实用的EEG设备.
- 这些发现为更高效和更容易获得的大脑与计算机接口提供了一条途径.
