域适应空间特征感知神经网络用于跨主体EEG情绪识别.
Wei Lu1,2, Xiaobo Zhang2,3, Lingnan Xia1
1Henan High-speed Railway Operation and Maintenance Engineering Research Center, Zhengzhou Railway Vocational and Technical College, Zhengzhou, China.
Frontiers in human neuroscience
|January 1, 2025
概括
一个新的深度学习模型,DSP-EmotionNet,通过同时捕捉空间活动和拓特征来增强来自EEG信号的情绪识别. 这种方法提高了跨主体EEG情绪识别的准确性,优于现有的方法.
科学领域:
- 情感计算是一种情感计算.
- 神经科学是一个神经科学.
- 机器学习是机器学习.
背景情况:
- 情绪识别在情感计算中至关重要,基于EEG的深度学习显示出有前途.
- 目前的深度学习模型很难将EEG信号中的空间活动和拓特征集成.
- 解决这个差距对于推进基于EEG的情绪识别至关重要.
研究的目的:
- 提出一个新的深度学习网络,DSP-EmotionNet,用于跨主体EEG情绪识别.
- 为了增强来自EEG信号的空间活动和拓特征的同时捕获.
- 提高基于EEG的情绪识别模型的准确性和稳定性.
主要方法:
- 一个空间活动拓特征提取模块 (SATFEM) 旨在提取空间活动和拓特征.
- DSP-EmotionNet使用SATFEM作为其核心功能提取器.
- 该模型在跨主体EEG情绪识别任务中进行了评估.
主要成果:
- DSP-EmotionNet显著提高了跨主体EEG情绪识别的准确性.
- 该模型在SEED数据集上实现了平均82.5%的准确性.
- 该模型在SEED-IV数据集上实现了65.9%的平均准确性,超过了最先进的方法.
结论:
- DSP-EmotionNet有效地解决了现有模型在捕获复杂的EEG信号特征方面的局限性.
- 提出的方法在跨主体情绪识别方面表现出卓越的表现.
- 这项工作推进了基于EEG的情绪识别领域,对情感计算有实际意义.
