SST-CRAM:基于空间-光谱-时间的卷积循环神经网络,具有用于EEG情感识别的轻量级注意力机制

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:

• 从脑电图 (EEG) 信号中识别情绪对于理解大脑反应至关重要.
• 有效的情绪识别模型需要从EEG数据中进行全面的特征提取.

研究的目的:

• 提出一个创新的基于空间-光谱-时间的卷积循环神经网络 (CRNN) 具有轻量级注意力机制 (SST-CRAM),用于增强基于EEG的情感识别.

主要方法:

• 将功率光谱密度 (PSD) 和差异 (DE) 特性结合起来,创建4DEEG特征图.
• 采用空间插值算法来增强功能利用.
• 使用卷积神经网络 (CNN) 与注意模块 (CBAM,ECA-Net) 进行空间和光谱特征提取.
• 应用双向长期短期记忆 (LSTM) 网络来捕获时间相关性.

主要成果:

• 在DEAP数据集上,SST-CRAM模型实现了高精度:激发98.63%,价值分类98.66%.
• 证明了模型能够有效地整合空间,光谱和时间信息的能力.

结论:

• 拟议的SST-CRAM模型通过全面利用多维EEG特征,显著提高了情绪识别性能.
• 这种方法为开发更准确,更强大的基于EEG的情绪识别系统提供了有希望的方向.