基于EEG的情绪识别与自动编码器功能融合和MSC-TimesNet模型
Jibin Yin1, Zhijian Qiao1, Luyao Han2
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming, China.
Computer methods in biomechanics and biomedical engineering
|March 17, 2025
概括
这项研究引入了一种先进的深度学习方法,用于使用脑电图 (EEG) 信号识别情绪. 该方法通过融合特征并使用一种新的多尺度卷积神经网络,显著提高了分类准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 电脑电图 (EEG) 信号对于情绪识别是有价值的,因为它们的实时性质和文物弹性.
- 目前基于EEG的情感识别方法与高维数据和时间动态作斗争,限制了性能.
研究的目的:
- 开发一种新的深度学习框架,以增强基于EEG的情绪识别.
- 解决现有方法在特征集成和时间模式分析方面的局限性.
主要方法:
- EEG信号被细分和处理以提取功率光谱密度 (PSD) 和差异 (DE) 特性.
- 使用自动编码器进行功能融合,在输入MSC-TimesNet模型之前增强表示.
- 拟议的MSC-TimesNet模型,包括多尺度卷积内核,有效处理合特征以捕获期间间和期间内信息.
主要成果:
- 拟议的AEF-DL方法在DEAP和Dreamer数据集上实现了高分类准确度.
- 独立对象实验的准确率分别为98.97%和95.71%.
- 独立对象实验显示准确率为97.23%和92.95%,超过现有方法.
结论:
- 结合自编码器融合功能和MSC-TimesNet的AEF-DL方法在基于EEG的情绪识别方面表现出卓越的性能.
- 该方法有效地处理高维特征和复杂的时间模式,表明其广泛适用性.
