通过CNN模型和梯度加权类激活映射进行可解释的EEG情绪分类
Yuxuan Zhao1, Linjing Cao2, Yidao Ji3
1Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China.
Brain sciences
|August 28, 2025
概括
这项研究引入了基于脑电图 (EEG) 的简单卷积神经网络 (CNN),实现了高精度的情绪识别. 可视化技术证实了情感侧面化理论的发现,有助于可穿戴系统设计.
科学领域:
- 神经科学
- 计算机科学
- 情感计算
背景情况:
- 基于脑电图 (EEG) 的情绪识别对于脑电脑接口至关重要.
- 现有的方法难以平衡高准确性与生理解释性.
研究的目的:
- 开发一种简单而准确的EEG情感分类CNN模型.
- 使用梯度加权类激活映射 (Grad-CAM) 增强模型的解释性.
- 为优化可穿戴EEG系统中的电极放置提供生理基础.
主要方法:
- 一个卷积神经网络 (CNN) 模型被设计用于基于EEG的情感分类.
- 用DEAP数据集进行培训和验证.
- 使用Grad-CAM可视化电极对分类的贡献.
主要成果:
- CNN模型实现了高分类准确率:95.21% (兴奋),94.59% (价值) 和93.01% (四次性).
- 通过Grad-CAM, 确定了右前额叶和左额叶作为关键电极区域.
- 这些发现与已知情感侧面化理论一致.
结论:
- 提出的方法为EEG情感识别提供了高性能和可解释的解决方案.
- 已识别的电极区域为设计高效的可穿戴情感计算系统提供了生理基础.

