虚拟现实启用高性能情绪估计与最重要的频道对

科学领域:

• 神经科学与人机交互 (HCI)
• 认知科学和情感计算

背景情况:

• 电脑电图 (EEG) 信号对于评估虚拟环境中的用户体验 (UX) 至关重要,使得metaverse系统能够实时适应.
• 分析EEG信号可以优化用户体验,增强沉浸感和个性化交互,但在虚拟现实 (VR) 中,处理成本,分类准确性和网络疾病等挑战仍然存在.
• 通过有效的通道选择,减少来自无关的EEG通道的噪音和冗余信息,对于改进HCI和UX应用至关重要.

研究的目的:

• 提出一种基于相锁值 (PLV) 分析的新EEG通道选择方法,用于情绪估计.
• 在重复的实验任务中使用PLV调查EEG通道之间的相互作用.
• 通过使用减少的一组EEG通道来提高情绪预测的分类性能.

主要方法:

• 开发了一种使用相锁值 (PLV) 分析的新型EEG通道选择技术.
• 从选定的EEG频道中提取了基于频率的特征.
• 一个多级学习 (MIL) 变体被用于分类,将特征划分为袋.
• 随机森林 (RF) 算法用于二进制分类任务.

主要成果:

• 提出的方法证明了更高的分类性能情绪预测较少的EEG通道.
• 使用随机森林 (RF) 算法的二进制分类实现了99%的有希望的准确率.
• 在VREMO数据集中,该方法在所有通道中达到99.38%的价值准确度,在选定的通道中达到98.13%的准确度.
• 在DEAP数据集中,所有频道的准确率为98.16%,特定频道的准确率为98.13%.

结论:

• 基于PLV分析开发的EEG通道选择方法有效地减少了噪音和冗余信息,从而提高了情绪预测的准确性.
• 这种方法为优化沉浸式环境中的HCI和UX提供了一个有前途的解决方案,通过对EEG信号进行高效和准确的分析.
• 该研究强调了基于PLV的道选择在VR和元宇宙应用中实时情感识别的潜力,解决了信号处理和分类方面的关键挑战.