一种资源高效的多融合方法及其在基于EEG的情感识别中的应用

科学领域:

• 神经科学和生物医学工程
• 情感计算和人与计算机的互动.

背景情况:

• 情绪识别对心理健康和人机交互至关重要.
• 电脑电图 (EEG) 为情绪分析提供了直接测量大脑活动的方法.
• 现有的方法经常面临计算复杂性和数据维度的挑战.

研究的目的:

• 提出一种资源高效的多融合方法,使用EEG信号对情绪状态进行分类.
• 评估不同相似度,时间窗口和通道输入配置的有效性.
• 开发一种适用于便携式,日常使用的基于EEG的情绪感知器件的方法.

主要方法:

• 从EEG信号中提取了五个大脑节奏 (delta,theta,alpha,beta,gamma) 使用离散波段转换 (DWT).
• 获得了多特征 (PSDE,SSE,SE,FE,AE,PE) 并将它们合并成一个大脑节奏矩阵 (BREM).
• 使用动态时间扭曲 (DTW),相互信息 (MI),斯皮尔曼相关系数 (SCC) 和贾卡德相似系数 (JSC) 进行分类.

主要成果:

• 动态时间扭曲 (DTW) 在5秒的时间窗口中表现出最佳性能.
• 单通道输入在分类准确性方面表现优于单区域输入.
• 提出的方法实现了84.62%的兴奋准确度和82.48%的价值分类.

结论:

• 多融合方法有效地减少了数据维度和计算复杂性.
• 该方法保持高准确度 (超过80%),即使数据资源有限.
• 这种方法促进了用于日常应用的实用,便携式基于EEG的情绪感知器件的开发.