MSBiLSTM-注意力:基于时空特征融合的EEG情绪识别模型
Yahong Ma1, Zhentao Huang1, Yuyao Yang1
1Xi'an Key Laboratory of High Precision Industrial Intelligent Vision Measurement Technology, School of Electronic Information, Xijing University, Xi'an 710123, China.
Biomimetics (Basel, Switzerland)
|March 26, 2025
概括
这项研究引入了一种新的深度学习模型,用于从电脑电图 (EEG) 信号中准确识别情绪. 该MSBiLSTM-Attention模型自动提取和分类特征,在情绪分析中实现高精度.
科学领域:
- 人工智能的人工智能
- 神经科学是一个神经科学.
- 人与计算机的交互
背景情况:
- 情绪状态显著影响决策和社会互动.
- 情感分析对于人与计算机的情感互动至关重要,推动了人工智能研究.
- 基于EEG的情绪分析在特征提取和分类器设计方面面临挑战.
研究的目的:
- 开发一种用于自动EEG特征提取和分类的新型深度学习技术.
- 为了提高基于EEG的情绪识别的准确性和方便性.
- 解决现有的深度学习方法中手动预处理的局限性.
主要方法:
- 一种新的深度学习模型,集成了多尺度卷积和双向长期短期记忆网络,并配备了注意力机制 (MSBiLSTM-Attention).
- 从原始EEG数据中自动提取和合并时空特征.
- 在基于注意力的特征选择后,使用完全连接的层对情绪EEG信号进行分类.
主要成果:
- 在SEED数据集上,MSBiLSTM-Attention模型实现了高分类准确度.
- 单次验证准确率达到3类情感任务的99.44%和4类情感任务的99.85%.
- 平均10倍交叉验证准确率为99.49% (三类) 和99.70% (四类).
结论:
- 拟议的MSBiLSTM-Attention模型在基于EEG的情绪识别中表现出有效性.
- 这种方法为从神经信号中自动化情绪分析提供了强大的解决方案.
- 这些发现突出了深度学习与注意力机制的潜力,以推进情感计算.

