一个新的深度学习模型,结合了3DCNN-CapsNet和对EEG情绪识别的层次注意力机制

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:

• 情绪识别对于人与计算机的互动至关重要.
• 电脑电图 (EEG) 信号分析用于情绪分类具有挑战性.
• 深度学习,包括卷积神经网络 (CNN) 和通道注意力 (CA),提高了准确性,但在特征提取方面存在局限性.

研究的目的:

• 开发一种先进的模型,通过EEG信号准确地识别情绪.
• 解决现有的CNN和道注意力机制的局限性.
• 提出一个新的端到端模型,HA-CapsNet,它捕捉了道间和道内 (频段) 的相关性.

主要方法:

• 拟议的HA-CapsNet,将3DCNN-CapsNet与层次注意力机制集成在一起.
• 该模型捕捉了道间的相关性和不同EEG频段的贡献.
• 在3DCNN-CapsNet中利用囊网络进行增强的空间特征提取.

主要成果:

• 实现了高识别精度:97.40%,97.20%,97.60%在DEAP数据集上和95.80%,96.10%,96.30%在DREAMER数据集上.
• 性能优于最先进的方法,差异最小.
• 即使减少了通道输入,也表现出强大的性能,这表明数据依赖程度低.

结论:

• 通过考虑跨频道和频段的等级注意力,HA-CapsNet有效地识别来自EEG信号的情绪.
• 该模型的效率和低数据依赖性使其适用于轻量级的EEG设备.
• 这项研究推动了基于EEG的情绪识别和设备开发.