MEFD数据集和GCSFormer模型:基于多式生理信号的跨主体情绪识别
Xiangyu Deng1, Zhecong Fan1, Wenbo Dong1
1College of Physics and Electronic Engineering, Northwest Normal University, Lanzhou 730070, People's Republic of China.
Biomedical physics & engineering express
|October 1, 2025
概括
这项研究引入了用于情绪识别的新型多式联络数据集 (MEFD) 和新的GCSFormer模型. 通过使用脑电图数据,GCSFormer模型实现了跨主体情绪识别的高准确性.
科学领域:
- 情感计算是一种情感计算.
- 大脑与计算机的接口.
- 多模式情绪识别多模式情绪识别
背景情况:
- 当前的情感识别通常依赖于有限的生理信号,可能会错过关键信息.
- 基于脑电图 (EEG) 的情绪识别现有的数据集往往是单模或双模的.
- 个人差异在跨主体情绪识别中构成重大挑战.
研究的目的:
- 引入多式情绪四类数据集 (MEFD),这是一个包含EEG,HRV,EOG和EDA的新型数据集.
- 开发一个先进的分类模型,GCSFormer,以提高跨主体情绪识别准确度.
- 为了解决单模/双模数据集的局限性和情绪识别中的个体变异性.
主要方法:
- 构建了MEFD数据集,其中包括34名参与者在四种情绪状态中的多模体生理信号 (EEG,HRV,EOG,EDA).
- 全球卷积转移窗口变压器 (GCSFormer) 模型的提案,包括一个EEG-Swin卷积模块和一个改进的全球自适应变压器 (GAT) 模块.
- 在GCSFormer中使用并行网络架构来增强特征歧视和泛化功能.
主要成果:
- GCSFormer模型在MEFD数据集上实现了跨主体情绪识别的最先进的性能.
- 该模型的平均准确率为85.36%,精度为85.23%,回忆率为86.35%,F1得分为84.52%.
- 实验结果证实了GCSFormer在跨主体情绪识别任务中的优越性,与主流方法相比.
结论:
- 开发的MEFD数据集为多式联络情绪识别研究提供了宝贵的资源.
- GCSFormer模型有效地解决了个体差异,显著提高了跨主体情绪识别准确度.
- 这项工作推进了情感计算领域,通过提供一种强大的解决方案来识别不同个人的情绪.
