解开情绪:探索基于EEG的情绪识别的深度学习方法,以当前的挑战和未来的建议为基础
Abgeena Abgeena1, Shruti Garg1
1Department of Computer Science and Engineering, Birla Institute of Technology, Mesra, Ranchi, 835215 India.
Cognitive neurodynamics
|October 27, 2025
概括
深度学习模型,特别是像BiLSTM这样的混合模型,在使用电脑电图 (EEG) 信号的情绪识别方面表现优越,与传统的机器学习相比. 通过EEG数据对情绪进行分类,BiLSTM的准确率达到了90.54%.
科学领域:
- 神经科学和认知科学 神经科学和认知科学
- 人工智能和机器学习
- 生物医学工程 生物医学工程
背景情况:
- 情感识别 (ER) 对于理解人类行为和福祉至关重要.
- 电脑电图 (EEG) 为捕获与情绪相关的神经信号提供了一个有前途的方法.
- 进行了基于EEG的2018-2024年ER文献的系统审查.
研究的目的:
- 为了深入了解基于EEG的情绪识别现状.
- 通过使用EEG信号,评估各种深度学习 (DL) 模型对ER的有效性.
- 引导研究人员和从业人员开发更可靠的情绪分类系统.
主要方法:
- 在2018年至2024年期间发表的120篇文章 (共1041篇) 的系统审查,遵循PRISMA指南.
- 在SEED和GAMEEMO数据集上应用和比较DL模型 (CNN,LSTM,GRU,BiLSTM,EEG-Conformer) 和传统ML模型 (SVM,k-NN,物流回归,提升).
- 使用准确度,精度,回忆和F1分数进行性能评估.
主要成果:
- 混合DL模型在基于EEG的ER中表现出高于传统ML模型的性能.
- 双向长期短期记忆 (BiLSTM) 模型在GAMEEMO数据集中实现了最高准确率90.54%.
- 性能指标证实了高级DL架构在情绪分类方面的有效性.
结论:
- 深度学习模型,特别是混合架构,对于从EEG信号中识别情绪非常有效.
- 这些发现支持使用EEG来理解情绪状态和开发先进的ER系统的可行性.
- 本综述为基于EEG的情绪识别用于各种应用的未来研究提供了路线图.
