基于BiLSTM的人类情绪分类使用EEG信号

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:

• 使用脑电图 (EEG) 信号识别情绪对于情感计算,人机交互和医疗保健至关重要.
• 现有的方法需要强大的模型,能够学习EEG数据中的复杂时间依赖性.

研究的目的:

• 评估双向长期短期记忆 (BiLSTM) 网络使用EEG信号进行情绪分类的有效性.
• 在多个已建立的EEG数据集 (SEED,SEED-IV,SEED-V,DEAP) 中评估模型的性能.
• 为了证明BiLSTM在捕获双向时间信息以增强情绪识别方面的能力.

主要方法:

• 使用双向长短期记忆 (BiLSTM) 神经网络架构.
• 在四个不同的脑电图 (EEG) 数据集上训练和测试模型:SEED,SEED-IV,SEED-V和DEAP.
• 采用尺寸和离散情绪模型来展示框架的灵活性.

主要成果:

• 实现了高分类准确度:92.30% (SEED),99.98% (SEED-IV),99.97% (SEED-V) 和88.33% (DEAP). 通过测试和测试,我们可以获得高分类准确度.
• 在SEED-IV和SEED-V上表现出卓越的性能,突出了该模型利用双向时间模式的能力.
• 在不同类分布的数据集中验证了模型的概括性.

结论:

• BiLSTM网络为基于EEG的情绪识别提供了一种强大而有效的方法.
• 这项研究强调了多样化的数据集对于验证模型通用性的重要性.
• 未来的工作包括对现实世界的应用进行优化,并探索转移学习以获得更广泛的适应性.