基于EEG信号的空间时间CNN-BiLSTM动态方法来识别情绪
Usman Goni Redwan1, Tanha Zaman1, Hazzaz Bin Mizan1
1Department of Electrical and Electronic Engineering, Chittagong University of Engineering and Technology, Raozan, Chittagong, 4349, Bangladesh.
Computers in biology and medicine
|April 28, 2025
概括
这项研究引入了一种混合CNN-BiLSTM模型,用于从脑电图 (EEG) 信号中检测情绪. 该模型在分类情绪方面达到97.5%的准确性,增强了大脑监控系统.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 脑电图 (EEG) 信号提供了对大脑活动的洞察.
- 来自EEG的精确情绪检测对于先进的脑电脑接口至关重要.
- 现有的方法在EEG数据中捕获复杂的时间和空间模式时面临挑战.
研究的目的:
- 开发一种混合卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM) 模型,用于基于EEG的情绪检测.
- 为了提高情绪识别系统的准确性和稳定性.
- 利用CNNs在空间特征提取和BiLSTM在EEG信号中的时间依赖性建模方面的优势.
主要方法:
- 从EEG信号中使用功率光谱密度 (PSD) 提取特征.
- 集成CNN用于空间特征提取和BiLSTM用于时间序列建模.
- 在广泛使用的SEED数据集上进行培训和验证,用于情绪分类 (正,负,中性).
主要成果:
- 混合CNN-BiLSTM模型在情绪识别方面实现了97.5%的分类准确率.
- 该模型在从EEG数据中捕捉空间和时间特征方面表现出有效性.
- 与现有的基于EEG的情绪识别系统相比,性能显著提高.
结论:
- 拟议的混合CNN-BiLSTM模型是基于EEG的情绪检测的强大而有效的方法.
- 这项技术为开发先进的大脑监测和实时情绪感知系统开辟了新的途径.
- 该模型的高精度凸显了其在情感计算中的实际应用潜力.
