使用时间特征和超参数调整的机器学习技术,对EEG信号的情绪识别进行了比较分析
Rabita Hasan1, Sheikh Md Rabiul Islam1
1Department of Electronics and Communication Engineering (ECE), Khulna University of Engineering and Technology, Khulna 9203, Bangladesh.
MethodsX
|July 21, 2025
概括
这项研究使用机器学习增强了从电脑电图 (EEG) 信号中的情绪识别. XGBoost具有微分和希古奇的不同.
科学领域:
- 情感计算是一种情感计算.
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 来自电脑电图 (EEG) 信号的情绪识别对于人机交互和心理健康监测至关重要.
- 传统的机器学习方法在准确捕捉与情绪状态相关的复杂神经动态方面经常面临挑战.
研究的目的:
- 通过应用传统的机器学习分类器和增强技术来提高基于EEG的情绪识别性能.
- 评估微分和希古奇的碎形维度作为情感分类的特征的有效性.
主要方法:
- 使用DEAP数据集用于电脑电图 (EEG) 数据.
- 从细分的EEG信号中提取了微分 (DE) 和希古奇的碎形维度 (HFD) 特征.
- 应用并比较K-最近邻居 (KNN),支持向量机 (SVM),XGBoost和梯度提升分类器.
- 采用五倍交叉验证和超参数调整,以进行可靠的性能估计.
主要成果:
- 在DEAP数据集中,XGBoost获得了最高的准确性:价值89%和激发88%.
- 在SEED数据集上进行的跨学科评估显示,XGBoost在HFD中达到86%的准确性,在DE中达到84%.
- 不同和希古奇的碎形维度在捕捉情感大脑动态方面被证明是有效的.
结论:
- 将高级特征提取 (DE,HFD) 与增强算法 (XGBoost) 结合起来,可以显著增强基于EEG的情绪识别.
- 拟议的方法在不同的数据集和主题变异中显示出稳定性.
- 这种方法为开发真实世界的情感感知系统提供了一个有希望的方向.
