设置-pMAE:基于空间-spSpectral-temporal并行掩盖的自动编码器用于EEG情绪识别
Chenyu Pan1,2, Huimin Lu1,2, Chenglin Lin1,2
1School of Computer Science and Engineering, Changchun University of Technology, Changchun, 130102 Jilin People's Republic of China.
Cognitive neurodynamics
|December 23, 2024
概括
这项研究引入了一种新的基于空间-光谱-时间的并行蒙蔽自编码器 (SET-pMAE),用于使用脑电图 (EEG) 识别情绪. 该模型通过自我监督学习增强特征概括,提高了情感计算的准确性.
科学领域:
- 情感计算是一种情感计算.
- 机器学习 机器学习
- 神经科学是一个神经科学.
背景情况:
- 电脑电图 (EEG) 是情感计算中的情感识别的关键工具.
- 对EEG情绪识别的监督学习方法通常在有限的标记数据和不良特征通用性方面扎.
- 脑电图信号与人类情绪状态具有复杂的时间,空间和光谱相关性.
研究的目的:
- 为基于强大的EEG情绪识别提出一个新的基于空间-光谱-时间的并行蒙蔽自编码器 (SET-pMAE) 模型.
- 利用自主监督学习来克服标记数据的局限性,并提高功能通用性.
- 从EEG信号中捕获全面的时空和空间光谱特征.
主要方法:
- 开发了一种双分支自主监督学习模型,SET-pMAE,用于EEG情绪识别.
- 时空分支重建EEG信号以学习上下文依赖.
- 空间光谱分支重建光谱特征以捕捉区域间的关联.
主要成果:
- SET-pMAE模型有效地学习了广义的时空和空间光谱表示.
- 在双分支的同时学习可以降低过度装配的风险.
- 对DEAP和DREAMER数据集的实验证明了该模型能够捕获歧视性和通用性特征的能力.
结论:
- 拟议的SET-pMAE模型利用自主监督学习,显著提高了EEG情绪识别.
- 该模型通过捕捉更具歧视性和通用性的特征来实现出色的性能.
- 这种方法为推进用EEG数据进行情感计算提供了一个有希望的方向.
