自动提取EEG的光谱-时间和空间-时间特征,用于情绪检测

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 信号处理 信号处理

背景情况:

• 识别情绪对于理解人类行为至关重要.
• 从脑电图 (EEG) 信号中自动检测情绪是一个活跃的研究领域.
• 现有的方法经常与EEG数据固有的复杂性和噪声作斗争.

研究的目的:

• 开发和评估一种使用多变量EEG信号进行情绪检测的新方法.
• 为了比较光谱-时间特征 (边缘希尔伯特光谱 - MHS) 和空间-时间特征 (相锁定值 - PLV) 的有效性来进行情感分类.
• 评估2D卷积神经网络 (CNN) 与双向长期短期记忆 (BiLSTM) 网络相结合的表现,以识别情绪.

主要方法:

• 噪声辅助多变量实证模式分解 (NA-MEMD) 应用于EEG数据以提取内在模式函数 (IMF).
• 对IMF进行了光谱分析 (MHS的希尔伯特光谱分析) 和空间连接分析 (相锁定值 - PLV).
• 使用2D CNN-BiLSTM模型根据提取的MHS和PLV特征对情绪进行分类.
• 用DEAP数据集来评估拟议方法在分类价值,兴奋,主导和喜欢方面的准确性.

主要成果:

• 在对情绪状态进行分类时,PLV特征表现优于MHS,准确度为97.61% (价值),96.09% (兴奋),96.75% (主导) 和97.23% (喜欢).
• 该模型在4类情绪分类任务中实现了94.71%的高精度.
• 来自高振荡性IMF的PLV在报告系统中表现优于传统的EEG特征.

结论:

• 拟议的方法有效地检测和分类来自EEG信号的人类情绪.
• 时空特征,特别是PLV,对于EEG的情感识别非常有效.
• 先进的信号处理技术和深度学习模型的结合为准确的情绪检测提供了一个有希望的方向.