SFT-HN:用于基于EEG的情绪识别的新型空间频率时间混合网络
Lei Zhu1, Yu Ding1, Aiai Hung1
1School of Automation, Hangzhou Dianzi University, Hangzhou, 310000 China.
Cognitive neurodynamics
|November 7, 2025
概括
这项研究引入了一种新的空间-频率-时间混合网络 (SFT-HN),用于先进的脑电图 (EEG) 情绪识别. SFT-HN模型有效地融合了EEG空间,频率和时间信息,在情绪分类任务中实现了高准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 脑电图 (EEG) 情绪识别对于脑电脑接口 (BCI) 至关重要.
- 深度学习方法在EEG情绪识别中优于传统技术.
- 在融合空间,频率和时间EEG信息以及利用歧视性局部模式方面仍然存在挑战.
研究的目的:
- 提出一种新的混合模型,即空间-频率-时间混合网络 (SFT-HN),用于增强EEG情绪识别.
- 为了有效地融合来自EEG信号的空间,频率和时间信息.
- 为了提高情绪分类,利用歧视性的本地模式来提高情绪分类.
主要方法:
- 开发了一个空间-频率-时间混合网络 (SFT-HN),结合了空间频率剩余模块 (SFRM) 和基于注意力的双向长期短期记忆 (ATBI-LSTM).
- 利用原始EEG信号的4D表示来保存空间,频率和时间信息.
- 在SFRM中采用分割转换合并技术,残余和注意力机制用于空间频率特征提取.
- 在ATBI-LSTM中整合了注意力机制,以捕捉时间依赖.
主要成果:
- 在DEAP数据集上实现了97.61% (激发) 和97.57% (价值) 的平均准确性.
- 在SEED数据集上获得了97.44%的平均准确性.
- 在新的FACED数据集上,证明了强大的概括,平均准确率为96.24%.
结论:
- SFT-HN模型有效地整合了空间,频率和时间EEG特征,以实现卓越的情绪识别.
- 拟议的模型在多个数据集中展示了高准确性和强大的概括性.
- SFT-HN为BCI提供了基于EEG的情绪识别方面的有希望的进步.
