增强的EEG情感识别使用MIMO-based Denoising和带智能注意力图 神经网络

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 脑电图 (EEG) 信号对于脑电脑接口 (BCI) 系统至关重要,特别是在情绪识别方面.
• 脑电图信号中的噪音显著降低了情绪识别系统的性能.
• 像带特征提取神经网络 (BFE-Net) 这样的现有方法在带智能特征提取和聚合方面存在局限性.

研究的目的:

• 提出一个噪音强大的带注意力BFE-Net框架,以增强基于EEG的情绪识别.
• 通过解决噪声污染和特征提取限制,改进传统的BFE-Net.

主要方法:

• 实现了基于多输入,多输出 (MIMO) 的预处理,使用多通道最小控制的递归平均和一般化固有值分解来减少噪音.
• 引入了基于注意力的乐队聚合机制,并采用了乐队智能的自我注意模型来实现复杂的功能融合.

主要成果:

• 拟议的模型在一个主体独立的协议下,在SEED和SEED-IV数据集上表现得更好.
• 在相应的数据集上,比最先进的BFE-Net表现更好3.27%和3.34%.
• 验证了MIMO降噪和以频率为中心的注意力在提高BCI系统可靠性和通用性的有效性.

结论:

• 严格的MIMO降噪技术显著提高了BCI应用的EEG信号质量.
• 以频率为中心的注意力机制增强了特征融合,导致更准确的情绪识别.
• 拟议的噪音稳固带注意BFE-Net框架为BCI系统提供了更可靠和更具普遍性的解决方案.