基于EEG的CNN双向长期短期记忆的情感识别与中心和软max损失函数 (CNN-BiLSTM-CS)
Xiaodan Zhang1, Shuyi Wang1, Yige Li1
1School of Electronic Information, Xi 'an Polytechnic University, Xi 'an, China.
Cognitive neurodynamics
|August 27, 2025
概括
这项研究引入了CNN-BiLSTM-CS用于使用电脑图 (EEG) 信号的高级情绪识别. 这种新方法增强了特征提取,
科学领域:
- 神经科学
- 人工智能
- 信号处理
背景情况:
- 电脑电图 (EEG) 信号对于情绪识别至关重要.
- 传统的方法难以提取高度可辨别的特征.
- 像单向LSTM和软max这样的现有模型在特征提取方面存在局限性.
研究的目的:
- 提出一种新的深度学习模型,CNN-BiLSTM-CS,用于改进基于EEG的情感识别.
- 解决传统单向LSTM和Softmax模型的局限性.
- 加强从EEG信号中提取分辨特征.
主要方法:
- 使用卷积神经网络 (CNN) 与双向长短期记忆 (BiLSTM) 网络相结合.
- 使用Center和Softmax (CS) 实现关节损失函数,以最大限度地减少类内距离和最大限度地减少类间距离.
- 在DEAP和SEED数据集上评估模型.
主要成果:
- 在DEAP数据集中,价值的平均准确率为94. 22%,激发的平均准确率为92. 16%.
- 与CNN-LSTM相比显示了近6%的显著改善.
- 在SEED数据集中获得了95.45%的三重分类准确度.
结论:
- 拟议的CNN-BiLSTM-CS模型显著提高了深度EEG特征的识别性能.
- 改进的网络结构和联合损失功能有助于优越的情感识别能力.
- 这种方法为基于EEG的情绪识别系统提供了更准确和更强大的方向.


