深度学习用于脑电图,情绪识别,情绪识别
Hesamoddin Pourrostami1, Mohammad M AlyanNezhadi1, Mousa Nazari1
1Department of Computer Science, University of Science and Technology of Mazandaran, Behshahr, Iran.
AIMS public health
|October 23, 2025
概括
本研究介绍了一种使用双向长期短期记忆 (BiLSTM) 网络的脑电图 (EEG) 情感识别方法. BiLSTM模型在识别EEG数据中的情绪方面取得了很高的准确性,显示了心理健康应用的潜力.
科学领域:
- 神经科学和人工智能 人工智能
- 计算神经科学是一种神经科学.
- 情感计算是一种情感计算.
背景情况:
- 从生理信号识别情绪对于理解人类情绪状态至关重要.
- 电脑电图 (EEG) 为与情绪相关的大脑活动提供了一个非侵入性的窗口.
- 传统的方法往往难以捕捉EEG信号的复杂时间动态.
研究的目的:
- 开发和评估一个先进的深度学习模型,用于精确的基于EEG的情绪识别.
- 通过结合双向数据处理来提高特征提取和分类准确性.
- 探索拟议模型在心理健康监测和适应性治疗干预方面的潜力.
主要方法:
- 从使用生理信号 (DEAP) 数据集的情绪分析数据库中利用了脑电图 (EEG) 数据.
- 实现了深度学习架构,采用标准的长短期记忆 (LSTM) 层,并增强了双向LSTM (BiLSTM) 层.
- 通过仔细选择窗口大小和重叠来捕捉微妙的信号变化,优化了EEG数据分割.
主要成果:
- 双向LSTM (BiLSTM) 模型在关键的情感维度中显示出高的分类准确性.
- 获得的准确性包括:兴奋 (94.0%),喜欢 (98.9%),主导 (95.3%) 和价值 (99.6%).
- 双层BiLSTM方法有效地捕获了EEG数据中的前进和后退时间模式.
结论:
- 拟议的EEG情绪识别模型显示了可靠的情绪状态检测的重大前景.
- BiLSTM 模型的增强特征提取和分类能力比标准的 LSTM 网络提供了优势.
- 这种方法有可能在心理健康监测和个性化适应性治疗系统中得到实际应用.
