基于EEG的情感估计模型 集成结构和时间序列信息 基于深度学习架构优化
Kota Tsuji1, Keiko Ono2, Takuya Futagami2
1Graduate School of Science and Engineering Information and Computer Science, Doshisha University, Kyoto 610-0394, Japan.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
本研究介绍了使用图形卷积网络和LSTMs的自动EEG情感识别框架. 它通过优化神经网络架构以满足个体大脑模式来提高准确性和适应性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 情绪识别对于心理健康和营销至关重要.
- 面部和声音线索是不可靠的;脑电图 (EEG) 提供了强大的神经数据.
- 目前的EEG模型 (CNN,LSTM) 在连接性,可变性和手动设计方面存在局限性.
研究的目的:
- 开发一种基于EEG的自动化,自适应式情绪识别系统.
- 为了克服手工制作模型和手动超参数调的局限性.
- 为了提高情绪识别的可扩展性和个性化.
主要方法:
- 提出了一种双管道架构,集成频率域 (图形卷积网络 - GCN) 和时间域 (带通道注意力的LSTM) EEG特征.
- 使用可差别架构搜索 (DARTS) 实现自动化,个性化架构优化.
- 使用GCN建模了电极连接,并强调了专注于特定主题的道.
主要成果:
- 与现有方法相比,该框架实现了具有竞争力的准确性和高适应性.
- 证明了集成GCN,LSTM,道注意力和架构搜索的有效性.
- 通过自动化架构发现,显著降低了搜索成本.
结论:
- 拟议的方法为EEG情绪识别提供了一种新的,自动化的方法.
- 通过优化个人神经模式的架构来实现卓越的性能和适应性.
- 为更多个性化和可扩展的情绪识别应用铺平了道路.
