一种集体深度学习方法,用于基于EEG的情感识别,使用多类CSP

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 信号处理 信号处理

背景情况:

• 大脑-计算机接口 (BCI) 正在发展,EEG信号的情绪识别是一个关键领域.
• 以前的研究往往忽略了关键的时空EEG特征,限制了准确性.
• 准确的情绪检测对于开发更直观和响应的BCI至关重要.

研究的目的:

• 提出一种新的方法来使用EEG信号对情绪进行分类 (积极,消极,中性).
• 通过结合时空EEG特征来解决先前研究的局限性.
• 为BCI应用开发一个高精度的情绪识别系统.

主要方法:

• 收集了来自16名参与者通过音乐体验诱导情绪状态的EEG信号的定制数据集.
• 用于EEG信号处理的多类共同空间模式 (MCCSP).
• 使用一个集体模型与三个卷积神经网络 (CNN) 自动编码器进行分类.

主要成果:

• 对于正面,负面和中性情绪状态的分类准确率为99.44 ± 0.39%.
• 与之前的研究相比,拟议的方法显示出更高的性能.
• 有效地利用时空EEG特征来增强情绪识别.

结论:

• 开发的方法对现实世界的BCI应用具有显著的前景.
• 情绪检测的高精度为未来的BCI开发提供了可靠的基础.
• 该方法验证了空间时间EEG特征在情绪识别中的重要性.