一个基于EEG情绪识别注意力机制的多层次深度CNN
Yi Zhou1, Ruiwen Jiang1, Jingxiang Zhang1
1School of Science, Jiangnan University, 1800 Lihu Avenue, Wuxi, Jiangsu 214122, China.
Journal of neuroscience methods
|December 19, 2025
概括
这项研究引入了一种新的深度学习模型,用于从脑电图 (EEG) 信号中识别情绪. 拟议的方法通过专注于关键道和空间信息,显著提高准确性,优于现有的技术.
科学领域:
- 大脑与计算机接口 (BCI)
- 情感计算是一种情感计算.
- 神经科学是一个神经科学.
背景情况:
- 情绪识别是脑电脑界面 (BCI) 技术的一个关键挑战.
- 深度学习模型看起来很有前途,但对EEG分析需要更具歧视性的特征.
研究的目的:
- 开发一种先进的深度学习模型,以增强基于EEG的情感识别.
- 解决从多通道EEG信号中提取歧视特征的挑战.
主要方法:
- 提出了一个与道和空间注意力 (CSA-MSCNN) 集成的多尺度卷积神经网络 (MSCNN).
- 通过加重关键通道和减少噪音来提取道注意力提炼功能.
- 空间注意力精确地识别了与情绪相关的大脑区域,而MSCNN捕捉了局部和深度信号特征.
主要成果:
- 在DEAP数据集上,CSA-MSCNN实现了高准确度:95.75%的价值和95.39%的唤醒 (3类).
- 在SEED数据集中,它在情绪识别方面达到3类平均分类准确率90.48%.
- 该模型显著超过了传统的机器学习,并显示出强大的竞争力与图形卷积神经网络 (GCNN).
结论:
- 在CSA-MSCNN有效地处理复杂的多通道EEG信号和区域信息.
- 这种方法为准确可靠的EEG情绪识别提供了强大的解决方案.
