[基于独立组件分析-重复图和改进的EfficientNet的脑电图情绪识别研究]

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:

• 电脑电图 (EEG) 信号为客观情绪识别提供了一个有希望的途径.
• 整合EEG信号的时空特征仍然是提高识别精度的挑战.

研究的目的:

• 开发和验证一种新的方法来提高基于EEG的情绪识别准确度.
• 为了有效地捕捉和整合来自EEG信号的时空特征.

主要方法:

• 提出了一种混合方法,将空间特征提取的独立组件分析 (ICA) 和时间特征可视化的反复图 (RP) 结合起来.
• 使用了改进的EfficientNetV2模型,具有全球和三重注意力机制来进行情绪分类.
• 在上海通大学情绪电脑图数据集 (SEED) 上验证了该方法.

主要成果:

• 提出的方法实现了96.77%的平均情绪识别准确度.
• 通过比较实验,证明了对现有的基于EEG的情绪识别方法的显著优越性.
• 废弃和道选择实验证实了拟议方法的各个组件的有效性.

结论:

• ICA-RP和注意力增强的EfficientNetV2的新组合显著改善了基于EEG的情绪识别.
• 该方法为分析复杂的EEG时空动态提供了强大而准确的方法.
• 这项研究为推进情感计算领域提供了有价值的视角.