评估人口因素对主体独立的基于EEG的情感识别方法的影响

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 通过脑电图 (EEG) 识别情绪是一种非侵入性方法,用于研究大脑对情感刺激的反应.
• 脑电图信号的显著主体间变异性对开发精确的基于深度学习的情感识别模型构成了挑战.
• 独立于主体的情感识别模型需要强大的方法来处理个体差异.

研究的目的:

• 提出一种深度学习方法,将EEG特征与人口信息 (年龄,性别,国籍) 融合在一起,以改善情绪识别.
• 调查基于注意力的机制在分类过程中权衡不同数据模式的有效性.
• 在基准EEG数据集 (SEED,SEED-FRA,SEED-GER) 上评估模型的性能.

主要方法:

• 开发了一个深度学习模型,将EEG特征与人口统计数据相结合.
• 使用基于注意力的机制来动态衡量每个输入模式的贡献.
• 拟议的方法在三个公开的EEG情绪识别数据集上得到了验证,涉及31名受试者.

主要成果:

• 与使用仅使用EEG特征的基线模型相比,结合人口信息的模型实现了更高的准确性.
• 在消极 (80.2%),中性 (80.5%) 和积极 (88.8%) 情绪类别中注意到了特定的性能改善.
• 注意力权重表明,该模型适应性地利用了人口统计信息,这表明个性化特征权重.

结论:

• 整合人口统计数据可以提高基于EEG的情绪识别的性能.
• 提出的基于注意力的融合方法有效地利用多式联络数据来改进情绪分类.
• 研究结果支持使用人口信息来提高EEG情绪识别系统的准确性和公平性.