MSDSANet:基于多流网络和双级注意力网络特征表示的多式情绪识别

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:

• 目前的脑电图 (EEG) 情感识别模型在特征表示颗粒度和时空依赖性建模方面存在局限性.
• 有效的情绪识别需要捕捉大脑和眼睛活动中的复杂模式.

研究的目的:

• 提出一种新的多式联络情绪识别模型,以解决现有的基于EEG的方法的缺陷.
• 增强特征表示和时空建模,以提高情感识别准确度.

主要方法:

• 开发了一个多式模式,集成了多个尺度的特征表示和注意力机制.
• 该模型采用多流网络用于浅层EEG特征提取,以及用于浅层电眼镜 (EOG) 特征提取的双尺度注意模块.
• 使用多尺度和多颗粒度的特征融合来提高特征丰富性和可区分性.

主要成果:

• 拟议的模型在两个基准数据集上表现出优越的性能,与现有模型相比.
• 增强的特征融合导致了更丰富,更具歧视性的多式联运特征表示.
• 注意力机制的整合提高了模型捕捉时空依赖性的能力.

结论:

• 开发的多模式情绪识别模型有效地克服了EEG特征表示和时空建模方面的局限性.
• 拟议的方法在情感计算和情感识别领域取得了重大进展.
• 这个模型对需要准确和强大的情绪检测的现实应用具有前景.