基于EEG的智能情绪识别使用元启发式优化和混合深度学习技术.

科学领域:

• 神经科学和人工智能 人工智能
• 大脑与计算机接口 (BCI) 应用程序
• 使用生理信号识别情绪识别.

背景情况:

• 从脑电图 (EEG) 数据中识别情绪对于被动脑电脑接口 (BCI) 应用至关重要.
• 对EEG信号的准确分析对于区分情绪状态 (正,中性,负) 是必不可少的.
• 现有的方法需要改进,以提高情绪识别性能.

研究的目的:

• 开发一个强大的系统来分析EEG数据来分类人类的情绪状态.
• 通过去除人工物和优化特征提取来提高EEG信号质量.
• 为了评估一种新的混合模型的表现,用于情感识别.

主要方法:

• 脑电图数据的预处理包括独立组件分析 (ICA) 进行人工物移除 (电肌图 - EMG,电眼图 - EOG).
• 信号过将EEG细分为α,β,gamma和theta频段. 信号过将EEG细分为α,β,gamma和theta频段. 信号过将EEG细分为α,β,gamma和theta频段.
• 特征提取使用混合的元启发式优化技术 (人工蜂群 - ABC和灰狼优化器 - GWO),然后进行卷积神经网络 (CNN) 分类与超参数调整.

主要成果:

• 混合CNN-ABC-GWO模型在SEED和DEAP数据集上实现了大约99%的准确性.
• 与单一技术和其他混合学习方法相比,拟议的模型表现出卓越的性能.
• 该系统在DEAP数据集上实现了100%的准确性,表明在情感识别方面具有很高的效率.

结论:

• 开发的混合CNN-ABC-GWO模型显著提高了从EEG数据中识别情绪的准确性.
• 这种方法为需要可靠的情绪状态识别的被动BCI应用提供了有希望的进步.
• 该方法为分析与人类情绪相关的复杂EEG模式提供了强大的工具.