一种基于EEG的情绪识别方法,通过在多频带下融合多频空间特征

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 识别情绪对心理和身体健康至关重要.
• 目前基于脑电图 (EEG) 的方法主要使用时间或频率域,忽视空间信息.
• 整合空间数据与频率分析可以改善EEG情绪识别.

研究的目的:

• 通过融合来自EEG信号的多频和空间域信息来增强情绪识别性能.
• 开发一种新的深度学习模型,以改进情绪分类.

主要方法:

• 提取了四个频段的EEG信号.
• 计算了三个频率空间特征:差异 (DE),对称差异 (SD) 和对称分数 (SQ).
• 使用这些特征构建了大脑地图,并训练了一个多并行输入卷积神经网络 (MPICNN).

主要成果:

• 在DEAP数据集上实现了四类情绪识别的98.71%的平均准确性.
• 在SEED-IV数据集上,在四类情绪识别中获得了92.55%的平均准确性.
• 与最先进的方法相比,证明了优越的分类性能.

结论:

• 拟议的方法有效地整合了多频率和空间EEG特征,以增强情绪识别.
• 这种融合方法显著提高了对现有技术的识别性能.
• 该MPICNN模型显示了先进的大脑与计算机接口的前景.