基于EEG的自动梦情感识别,使用模糊和高效的信号分解方法
Nazanin Sayad Mojdehbar1, Babak Mohammadzadeh Asl1, Asghar Zarei2
1Department of Biomedical Engineering, Tarbiat Modares University, Tehran, Iran.
Computers in biology and medicine
|January 7, 2026
概括
这项研究提出了一种自动化框架,用于在REM睡眠期间从脑电图 (EEG) 信号分类梦境情绪. 采用KNN分类的EMD-FuzzEn方法在识别积极,中性和负面梦情绪方面取得了很高的准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算心理学 计算心理学
- 信号处理 信号处理
背景情况:
- 梦与情感过程和深刻的需求有关.
- 快速眼动 (REM) 睡眠期间的脑电图 (EEG) 信号可以用来研究梦中的情绪.
- 梦境情感评估数据集 (DEED) 为这项研究提供了一个资源.
研究的目的:
- 开发一个自动化框架来对梦境情绪进行分类 (积极,中性,负面).
- 为了利用在REM睡眠期间捕获的EEG信号进行梦境情绪分析.
- 评估不同信号分解和特征提取技术的性能.
主要方法:
- 使用离散波段变换 (DWT) 和经验模式分解 (EMD) 进行EEG信号分解.
- 从子带中提取模糊 (FuzzEn) 作为非线性特征.
- 使用ReliefF算法进行特征选择.
- 使用K-最近邻居 (KNN),支向量机,极端梯度增强和随机森林进行分类.
主要成果:
- 结合KNN的EMD-FuzzEn方法实现了卓越的分类性能.
- 准确率包括多类的92.33%,中性与非中性的96.47%,积极与消极情绪的90.69%.
- 该ReliefF算法将时间和前脑电图区域 (T7,T8通道) 识别为高度歧视性的.
结论:
- 拟议的方法论显示了识别梦境情绪的强大潜力.
- 该研究强调了信号分解和特征提取技术的有效性.
- 这项工作代表了自动化梦情感分类的实质性进展.
