使用近距离保护自动编码器 (PCAE) 和组合技术对EEG信号进行情绪分析

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 情感识别对于脑计算机接口 (BCI) 至关重要,在医疗保健,教育和游戏领域都有应用.
• 基于脑电图 (EEG) 的情绪识别现有的深度学习 (DL) 方法面临的挑战包括精度低,高维度和计算成本.
• 脑电图信号分析对于自闭症和情绪障碍等疾病的个性化支持至关重要.

研究的目的:

• 设计一个创新的近距离保护自动编码器 (PCAE) 框架,用于从EEG信号中准确识别情绪.
• 解决传统方法的局限性,包括识别精度差,高维度和计算时间.
• 增强特征提取和保护EEG数据中的局部结构,以改善情绪状态识别.

主要方法:

• 开发了一个具有卷积/解卷积层和局部近距离保护层的近距离保护自动编码器 (PCAE).
• 引入了一种保持近距离的挤压和激发自动编码器 (PC-SEAE),以提高特征提取能力.
• 员工最大平均差异 (MMD) 规范化,以最大限度地减少数据分布差异.
• 使用组合模型将支持矢量机 (SVM),随机森林 (RF) 和长短期内存 (LSTM) 结合起来进行分类.

主要成果:

• 拟议的PCAE模型实现了卓越的绩效指标.
• 获得了98.87%的准确性,98.69%的精度,以及0.983.3的卡帕系数.
• 与传统方法相比,在识别准确性和效率方面取得了显著的改进.

结论:

• PCAE框架在基于EEG的精确情绪识别和分类方面取得了重大进展.
• 该模型有效地保留了局部结构,并减少了EEG数据中的维度.
• 整体方法进一步提高了分类准确性,为BCI应用提供了强大的解决方案.