神经科学与机器学习的桥梁:一种基于性别的脑电图框架,用于识别内情绪

科学领域:

• 神经科学是一个神经科学.
• 心理学 心理学 心理学
• 机器学习 机器学习

背景情况:

• 了解像内这样的情绪的神经相关性至关重要.
• 情绪处理中的性别差异已经得到了充分证实,但需要使用神经生理学数据进行进一步的研究.
• 开发准确的方法来从大脑活动中分类情绪状态是一个活跃的研究领域.

研究的目的:

• 调查内情绪与人脑电图 (EEG) 数据之间的关系.
• 在表达内和中立情绪方面探索性别特异性差异.
• 评估机器学习方法对EEG情绪状态分类的有效性.

主要方法:

• 从16名参与者收集了EEG数据,他们通过图像刺激体验了诱导的内和中性情绪.
• 数据预处理涉及带宽过和独立组件分析 (ICA).
• 使用支持矢量机 (SVM) 分类器,利用原始EEG数据和通过离散波段分解 (DWT) 提取的特征在各种频段 (α,β,gamma,theta,delta) 中使用.

主要成果:

• 一种新的方法将原始EEG数据输入到SVM中,实现了平均83%的准确性.
• 使用DWT提取的特征 (,Hjorth参数,带功率) 的基于特征的方法,平均准确率为63%.
• 与男性相比,女性表现出更具表现力的EEG反应和更高的特征值,在大多数频段中分类准确度更高.

结论:

• 机器学习,特别是使用原始EEG数据的SVM,可以有效地分类情绪状态.
• 在神经处理内和中性情绪方面存在显著的性别差异,女性表现出更强烈的反应.
• 进一步的研究可以完善这些方法,以便更细致的情绪状态检测.