基于量子波形神经网络的混合架构用于情感识别,作为支持个性化治疗的工具

科学领域:

• 人工智能的人工智能
• 量子计算是一种量子计算.
• 生物医学工程 生物医学工程

背景情况:

• 人类的情绪对于社会互动和沟通至关重要.
• 情绪识别工具在医疗保健中具有治疗潜力,特别是对于情绪表达受损的患者.
• 面部表情分析是理解情绪状态的关键.

研究的目的:

• 为了比较混合量子波形神经网络 (QWNN) 和随机森林架构的情感识别.
• 评估QWNN在复杂数据集的特征提取方面的性能.
• 探索情绪识别系统的整合,以在老年患者 (包括痴呆症患者) 提供个性化治疗.

主要方法:

• 利用FER2013数据库来训练和测试情绪识别模型.
• 开发和比较混合架构,将四层量子波形神经网络 (QWNN) 与随机森林分类器相结合.
• 评估QWNN在特征提取中的效率,分析特征子集大小对准确性的影响.

主要成果:

• 最好的混合配置在训练过程中达到70.77%,在测试过程中达到81.21%的准确性.
• 该模型表现出高性能,即使仅使用了QWNN提取的特征的34.06% (共1280个中的436个).
• 该QWNN显示了在多个尺度和频率中表示信息的显著能力,表明了量子计算协同作用的潜力.

结论:

• 混合QWNN和随机森林模型为准确的面部情绪识别提供了有希望的方法.
• QWNN表现出强大的特征提取能力,有利于复杂的模式识别任务.
• 开发的架构有可能通过整合面部情绪识别来个性化治疗老年人,从而推进医疗保健量子计算的研究.