基于多视图域调整的多尺度卷积条件反转分辨器,用于跨主体脑电图情绪识别

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
• 人工智能的人工智能

背景情况:

• 跨主题脑电图 (EEG) 情绪识别旨在使用神经电气模式对个人进行情绪分类.
• 现有的模型在特征提取,收和负转移方面面临挑战,限制了可靠的跨主体情绪检测.

研究的目的:

• 开发一个强大的模型,通过EEG信号准确地跨主体识别情绪.
• 克服现有方法论在概括和特征歧视方面的局限性.

主要方法:

• 利用信号预处理和短时间地测流量内核里叶变换 (STGFKFT) 来进行特征提取.
• 雇佣多视图束注意力增强特征歧视和多尺度卷积条件可逆马歧视神经网络 (MSCCIPDNN) 进行概括.
• 集成了高效的计算技术和puma优化算法,以实现稳定性和融合.

主要成果:

• 拟议的框架在SEED数据集上实现了高准确率99.5%,在SEED-IV数据集上达到99%,在DEAP数据集上达到99.50%.
• 与现有方法相比,在特征提取,歧视和泛化方面表现出卓越的性能.

结论:

• 开发的框架在跨主体EEG情绪识别方面取得了非凡的成功.
• 先进技术的整合有效地捕捉了情感特征,克服了当前方法学的局限性.