CBR-Net:一个基于EEG的多感官情感电脑识别模型,用嗅觉增强的视频刺激
Rui Ouyang1, Minchao Wu2, Zhao Lv1
1Anhui Province Key Laboratory of Multimodal Cognitive Computation, School of Computer Science and Technology, Anhui University, Hefei 230601, China.
Bioengineering (Basel, Switzerland)
|March 28, 2025
概括
多感官刺激,如嗅觉线索,提高电脑电图 (EEG) 情绪识别的准确性. 一个新的CNN-BiLSTM-残余网络 (CBR-Net) 模型显示了基于EEG信号识别个体的卓越性能.
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
- 生物医学工程 生物医学工程
背景情况:
- 基于脑电图 (EEG) 的个人识别对情绪状态波动敏感,影响准确性.
- 多感官刺激,包括视频和嗅觉线索,可以调节情绪反应,并可能增强基于EEG的识别.
研究的目的:
- 提出一种新的深度学习模型,CNN-BiLSTM-剩余网络 (CBR-Net),以改进基于EEG的识别.
- 建立一个多感官情感EEG数据集,使用仅视频和嗅觉增强的视频刺激.
- 评估嗅觉增强对EEG信号情绪强度和识别准确性的影响.
主要方法:
- 开发CBR-Net模型,集成空间特征的卷积神经网络 (CNN),时间动态的Bi-LSTM和剩余连接.
- 创建一个新的数据集,包括仅在视频和嗅觉增强视频条件下记录的EEG信号.
- 对CBR-Net性能与传统机器学习和其他深度学习模型进行比较分析.
主要成果:
- 嗅觉增强的视频刺激显著增加了EEG信号的情绪强度,从而提高了识别准确性.
- CBR-Net在情绪方面取得了很高的准确性:96.59%是负面的,95.42%是积极的,94.25%是中性的.
- 废除研究表明Bi-LSTM对中性情绪的重要性,CNN对积极情绪的重要性.
- 在所有情绪状态的基于EEG的识别中,CBR-Net的表现优于现有的模型.
结论:
- 通过使用EEG信号,CBR-Net有效地提高了身份识别的准确性.
- 多感官刺激,特别是嗅觉增强,为改善基于EEG的识别提供了显著的优势.
- 这些发现支持将多感官情绪刺激纳入生物识别系统.
