一个基于机器学习的EEG信号分析框架来增强情绪状态检测
Md Amir Abdal Sobhani1, Sreya Deb Srestha1, Md Maimoon Hossain Shomoy1
1Department of Computer Science and Engineering, East West University, Dhaka, Bangladesh.
Cognitive neurodynamics
|November 11, 2025
概括
这项研究引入了一种机器学习方法,用于从脑电图 (EEG) 信号中检测情绪. 多层感知器 (MLP) 模型实现了98.8%的准确性,证明了合成数据在增强情绪检测方面的有效性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 脑电图 (EEG) 信号对于理解大脑活动和情绪状态至关重要.
- 从EEG准确检测情绪状态是具有挑战性的,因为信号的复杂性和数据的变化.
- 机器学习为分析像EEG这样的复杂生物信号提供了有希望的途径.
研究的目的:
- 开发和评估一种基于机器学习的方法,用于使用EEG信号检测情绪状态.
- 为了比较基于EEG的情绪检测九种不同的机器学习模型的性能.
- 研究合成数据生成技术对模型准确性和效率的影响.
主要方法:
- 采用了九种机器学习模型:物流回归,决策树,随机森林,k-最近邻居,支持矢量机,光梯度增强机,自适应增强,多层感知器 (MLP) 和1D卷积神经网络 (1D CNN).
- 利用了来自300名患者的EEG信号的真实数据集,并使用生成敌对网络 (GAN),合成少数人过量采样技术 (SMOTE) 和自适应合成采样 (ADASYN) 生成合成数据集.
- 在真实和合成数据集的组合上训练,测试和验证模型,在五个不同的数据配置中评估性能.
主要成果:
- 多层感知器 (MLP) 模型在所有测试数据集中展示了卓越的性能,实现了最高的准确性和效率.
- MLP实现了98.8%的测试准确度,低延迟范围从1.8ms到4.8ms.
- 合成数据的整合显著提高了机器学习和深度学习模型的精度和效率,用于情绪检测.
结论:
- 通过合成数据增强的MLP模型提供了一个高度准确和高效的方法,用于从EEG信号中检测情绪状态.
- 这种方法在改善临床神经科学和精神卫生保健中的诊断工具和治疗干预方面具有显著的潜力.
- 该研究强调了合成数据生成在克服数据限制和提高AI模型在生物医学应用中的稳定性方面的价值.
