优化XGBoost用于使用耳内PPG和耳后EEG信号的多模式情感状态分类

科学领域:

• 物理计算的物理计算.
• 情感计算是一种情感计算.
• 可穿戴技术是可穿戴技术.

背景情况:

• 使用生理信号识别情绪正在进步.
• 传统的脑电图 (EEG) 和光电图 (PPG) 方法可能是不舒服的.
• 需要新的可穿戴设备设计,以提高用户舒适度和数据采集.

研究的目的:

• 引入一款用于同时捕获EEG和PPG信号的新型耳内可穿戴设备.
• 在用于情绪识别的生理数据收集过程中增强用户舒适性.
• 评估结合生理信号和机器学习的有效性,以准确识别情绪.

主要方法:

• 收集了来自21名参与者四种情绪状态 (恐惧,快乐,平静,悲伤) 的EEG和PPG数据.
• 预处理的信号,提取的时间和频率域特征,并使用ReliefF算法选择的特征.
• 采用XGBoost分类器与贝叶斯式超参数调用于情感分类.

主要成果:

• 组合的EEG和PPG功能显著优于单个模式.
• 优化的XGBoost分类器实现了97.58%的准确性,97.57%的精度,97.57%的回忆率和97.58%的F1分数.
• 拟议的方法表现优于支持向量机,决策树,随机森林和K-最近邻居分类器.

结论:

• 来自舒适的入耳设备的多模体生理传感增强了情绪识别.
• 优化机器学习模型对于可靠的情感表征至关重要.
• 这些发现对心理健康监测和人机交互有重大影响.