K-means++指导多视图CNN与频道注意力用于EEG情绪识别
Yi Zhou1, Ruiwen Jiang1, Jingxiang Zhang1
1School of Science, Jiangnan University, Wuxi, Jiangsu, China.
Brain research
|January 11, 2026
概括
这项研究引入了一种新的深度学习模型,即多视图深度CNN与道注意力 (MVACNN),用于更准确的脑电图 (EEG) 情绪识别. MVACNN模型通过改善从大脑信号中识别情绪来增强人机交互.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 人与计算机交互 (HCI) 研究越来越多地利用人工智能 (AI) 来识别情绪.
- 深度学习模型在情绪识别研究中很普遍,但准确的识别仍然具有挑战性.
- 电脑电图 (EEG) 信号提供了用于情绪检测的大脑活动的直接测量.
研究的目的:
- 提出一个新的多视图深卷积神经网络 (CNN) 模型,称为MVACNN,用于增强基于EEG的情绪识别.
- 通过利用道注意力和多视图学习来提高情感识别的准确性和稳定性.
- 为了应对从复杂的EEG数据中准确识别情绪的挑战.
主要方法:
- 开发了一个多视图深度CNN架构 (MVACNN),结合了道注意力机制.
- 基于神经活动相似性的EEG频道聚合成视图,以提取协同功能并减少噪音.
- 在每个视图中集成道注意力来分配差异重量,强调用于特征提取的重要道.
- 使用剩余块来保存原始信息并改善特征表示和利用.
主要成果:
- MVACNN模型通过分组类似的频道和应用频道注意力来证明有效的特征提取.
- 在MVACNN中的剩余块有助于更好的输入-输出关系建模和增强功能利用.
- 跨不同数据集的实验评估证实了MVACNN在EEG情绪识别任务中的强表现.
结论:
- 拟议的MVACNN模型显著提升了基于EEG的情绪识别能力.
- 多视图学习和道注意力的整合提供了一种有希望的方法,通过精确的情绪检测来改善HCI.
- MVACNN为从EEG信号中提取歧视特征提供了一个强大的框架,为更复杂的情绪识别系统铺平了道路.
