混合深度模型用于并行特征提取和增强的情绪状态分类.
Sivasankaran Pichandi1, Gomathy Balasubramanian2, Venkatesh Chakrapani3
1Electronics and Communication Engineering, Sengunthar Engineering College, Tiruchengode, Tamilnadu, India. sivasankaranpresearch1998@gmail.com.
Scientific reports
|October 22, 2024
概括
这项研究引入了一种混合深度学习模型,用于从电脑电图 (EEG) 数据中准确地分类情绪. 该模型实现了高精度,超过了现有的心理健康监测和人机交互的现有方法.
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:
- 情绪显著影响人类的认知和压力水平,使情绪分类对人工智能和机器人技术至关重要.
- 传统的机器学习方法在从电脑电图 (EEG) 数据中识别情绪方面提供了有限的性能.
研究的目的:
- 开发和评估混合深度学习模型,使用EEG信号精确地分类情绪.
- 为了提高高级应用情绪识别系统的准确性和效率.
主要方法:
- 一个混合深度学习架构,结合了AlexNet和DenseNet进行特征提取.
- 功能融合,然后进行主要组件分析 (PCA),以减少维度.
- 使用多类支持向量机器 (SVM) 进行减少特征的分类.
主要成果:
- 该模型在DEAP数据集 (95.54%的价值,97.26%的唤起) 和EEG脑波数据集 (98.42%) 上取得了高精度.
- 在精度,回忆,F1得分,特异性和马修相关系数方面表现优于现有方法.
- 混合方法有效地捕获EEG数据中的复杂模式,以可靠地检测情绪.
结论:
- 拟议的混合深度学习模型在基于EEG的情绪分类中提供了显著的进步.
- 该模型显示了在人机交互和心理健康监测方面的应用潜力很大.
- 这种方法提供了一种强大而准确的方法来理解人类的情绪状态.
