以数据为中心的AI用于基于EEG的情绪识别:噪音过和增强策略
Nadieh Moghadam1, Rana Hegazy1,2
1Department of Electrical Engineering, University of San Diego, San Diego, CA 92110, USA.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
通过噪声过和增强来提高数据质量,增强了基于脑电图 (EEG) 的情感识别的AI,为生物医学应用提供了实用方法.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 生物医学研究面临着数据稀缺和高成本,阻碍机器学习 (ML) 模型开发.
- 现有的情感识别ML模型通常依赖于复杂的架构.
- 脑电图 (EEG) 数据对分析提出了独特的挑战.
研究的目的:
- 为基于EEG的情绪识别引入以数据为中心的AI框架.
- 为了证明数据质量改进 (噪声过,增强) 对模型性能的影响.
- 将拟议的以数据为中心的方法与复杂的模型进行比较.
主要方法:
- 在EEG数据上实施了参与者引导的噪声过.
- 应用系统的数据增强技术.
- 使用SEED-VII数据集对二进制,四象限和离散情绪分类任务进行评估.
主要成果:
- 以数据为中心的策略显著提高了所有分类设置中的准确性和F1分数.
- 该方法与更复杂的模型相比,实现了竞争性或优异的性能.
- 噪音过和数据增强被证明是提高EEG情绪识别的有效方法.
结论:
- 优先考虑数据质量而不是模型复杂性,为生物医学人工智能提供了一个强大的和可概括的途径.
- 拟议的框架为推进基于EEG的情绪识别提供了一种实用和可重复的方法.
- 数据中心的人工智能是克服生物医学研究数据局限性的可行策略.
