增强情绪-大脑的表现与直角模糊的力量一致性对齐.
概括
这项研究引入了直角模糊电力一致性对齐 (OFPCA) 来改善电脑图 (EEG) 情绪识别. OFPCA有效地模拟了情绪模糊性和EEG复杂性,大大提高了识别准确性.
科学领域:
- 情感计算是一种情感计算.
- 人与计算机的互动.
- 神经科学是一个神经科学.
背景情况:
- 基于脑电图 (EEG) 的情绪识别面临着由于情绪模糊和复杂的EEG信号的挑战.
- 现有的方法很难捕捉到情绪的细微性质和EEG数据中的复杂模式.
研究的目的:
- 提出一种新的框架,即正角模糊电力一致性对齐 (OFPCA),用于增强情绪大脑表现学习.
- 为了提高基于EEG的情绪识别的准确性和稳定性.
主要方法:
- OFPCA使用塔卡吉-苏格诺-康 (TSK) 模糊系统来模拟情绪的模糊性质.
- 它采用对比学习来调整EEG信号的局部能量 (功率光谱密度) 和跨区域相互作用 (连贯性) 观点.
- 对于强大的表示学习,将正交正规化损失纳入.
主要成果:
- OFPCA在跨学科设置 (41.14%在CRED上,83.24%在SEED上) 和学科内部设置 (63.24%在CRED上,85.37%在SEED上) 中取得了高准确度.
- 性能超过了对基准数据集 (SEED和CRED) 的现有方法.
结论:
- 利用感情固有的模糊性可以提高情绪识别能力.
- OFPCA提出了一个基于模糊学习的新框架,用于在情绪识别中有效的多视图EEG学习.


