基于注意力的PSO-LSTM用于使用EEG估计情绪
Hayato Oka1, Keiko Ono2, Adamidis Panagiotis3
1Master's Program in Information and Computer Science, Doshisha University, Kyoto 610-0394, Japan.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
这项研究使用人工智能增强了基于电脑电图 (EEG) 的情绪识别. 一种结合长短期记忆 (LSTM) 与注意力和粒子群优化 (PSO) 的新型模型显著提高了基准数据集的准确性.
科学领域:
- 人工智能的人工智能
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 情感识别在医疗保健,广告和驾驶等领域都有应用.
- 基于脑电图 (EEG) 的方法提供了比面部或声音分析更高的准确性,因为它对操纵有抵抗力.
- 现有的EEG情感识别模型可以通过高级特征提取和参数优化来改进.
研究的目的:
- 为了提高基于电脑电图 (EEG) 的情绪估计的准确性.
- 引入一种新的AI模型,强调时间特征和高效的参数优化.
- 通过先进的机器学习技术改进情绪识别技术.
主要方法:
- 开发了一种混合模型,将长短期记忆 (LSTM) 与注意力机制相结合.
- 粒子集群优化 (PSO) 用于优化关键的LSTM参数 (单位,批量大小,中断率).
- 该模型在DEAP和SEED情绪识别基准数据集上进行了评估.
主要成果:
- 拟议的模型在DEAP数据集上实现了0.9409的准确性,超过了之前的最先进状态.
- 在SEED数据集上获得了0.9732的准确性,使其成为报告中最高的结果之一.
- 注意力机制和PSO的整合显著提高了基于EEG的情绪估计性能.
结论:
- 新的LSTM-注意力-PSO模型在基于EEG的情绪识别中表现出卓越的性能.
- 这种方法有效地利用时间特征,并优化模型参数以提高准确性.
- 这些发现有助于人工智能驱动的情绪识别技术的进步.
