基于双重注意力机制的EEG信号的情感识别模型

科学领域:

• 情感计算是一种情感计算.
• 人与计算机的互动.
• 神经科学是一个神经科学.

背景情况:

• 情绪显著影响人类的认知,决策和沟通.
• 从大脑信号中准确地识别情绪是情感计算和HCI的一个关键挑战.
• 现有的深度学习模型在特征提取和情感识别准确性方面扎.

研究的目的:

• 提出一种新的多通道自动分类模型,用于情绪EEG信号.
• 解决当前深度学习模型的特征提取和准确性的局限性.
• 通过使用先进的深度学习架构来增强情绪识别性能.

主要方法:

• 开发了DACB模型,集成双重注意力机制,卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM) 网络.
• 在CNN中使用SE注意力模块来学习频道特征的重要性.
• 利用点产品的注意力机制来学习空间和时间特征的重要性.

主要成果:

• 实现了高的单次验证准确性:在SEED-IV上达到99.96%,在DREAMER数据集上达到87.52%-90.06%.
• 证明了强大的十倍交叉验证准确性:在SEED-IV上为99.73%,在DREAMER数据集上为84.26%-85.40%.
• 在基准数据集上的情绪分类任务中表现优于现有模型.

结论:

• 在基于EEG的情绪分类中,DACB模型表现出高精度和强大的概括能力.
• 拟议的模型为EEG信号识别研究提供了一个有希望的新方向.
• 这项工作通过改进的深度学习技术推进了情感识别领域.