使用模糊的C-平均值和SVM从EEG信号中检测情绪的细分增强方法
Mahmood A Mahmood1, Khalaf Alsalem2, Murtada K Elbashir2
1Department of Information Systems, College of Computer and Information Sciences, Jouf University, Sakakah, Kingdom of Saudi Arabia. mamahmood@ju.edu.sa.
Scientific reports
|August 30, 2025
概括
这项研究表明,脑电图 (EEG) 信号可以有效地识别使用混合支持矢量机 (SVM) 和模糊C-means方法的情绪. 一个线性内核在情感分类中获得了最高的准确性 (97.66%).
科学领域:
- 人工智能
- 神经科学
- 机器学习
背景情况:
- 通过脑电图 (EEG) 信号识别情绪对于医疗保健和人机交互的应用至关重要.
- 现有的方法在精确地从复杂的脑电图数据中分类精细的情绪状态时面临挑战.
研究的目的:
- 将支持矢量机 (SVM) 模型与多种内核功能和基于EEG的模糊C介质结合起来,证明混合方法的有效性.
- 评估不同SVM内核函数的性能以及模糊逻辑集成对分类准确性的影响.
主要方法:
- 两名受试者的脑电图信号被用Muse头带记录下来, 分为积极的,中性的和消极的情绪.
- 用于分类的混合模型采用带有线性和高斯核的差异化SVM,以及模糊的C-means.
- 使用精度,回忆和F1得分进行评估,并使用单向ANOVA进行统计意义评估.
主要成果:
- 线性内核SVM的精度最高,达到97.66%,超过高斯内核 (95.78%).
- 统计分析证实了线性核的显著优势 (p < 0.05).
- 混合深度学习模型 (CNN-LSTM) 与优化的线性SVM显示了类似但不太准确的结果.
结论:
- 具有优化的内核参数和模糊逻辑集成的混合SVM对于基于EEG的情感识别非常有效.
- 这种方法显示出开发强大的情绪检测系统的巨大潜力.
- 线性内核SVM在这种特定的情感分类任务中表现出卓越的性能.
