电皮活动信号处理和深度学习方法的最新趋势,用于情绪识别和深度学习

科学领域:

• 情感计算是一种情感计算.
• 生理信号处理 物理信号处理
• 机器学习用于情绪识别和识别.

背景情况:

• 皮电活动 (EDA) 对于情感识别至关重要,因为它与交感神经系统激活有关.
• 有限的系统研究存在于针对EDA在情感识别中的信号处理技术.
• 需要严格的方法来定义情绪,并将生理表现 (EDA) 与情感状态联系起来.

研究的目的:

• 审查用于情绪识别的高级EDA信号处理方法和深度学习 (DL) 方法 (2018-2025年).
• 采用以信号处理为中心和生理学为基础的观点,与先前调查的系统级设计重点形成鲜明对比.
• 为一个统一的框架提供EDA分解方法的结构化比较评估.

主要方法:

• 对EDA信号处理和DL用于情绪识别的文献进行系统审查.
• 时间域,频域,时间频率和高级时间序列分析技术的比较.
• 使用性能指标评估新兴的端到端DL架构和EDA分解方法.

主要成果:

• 识别了EDA获取方面的挑战,包括非静止性和主体间的可变性.
• 对比了各种信号处理技术和DL架构用于情感建模.
• 提供了对EDA分解方法的结构化评估.

结论:

• 建议采用混合方法,将经典信号处理解释性与DL预测能力相结合.
• 该评论为EDA基于情绪识别的研究人员和从业人员提供了一个全面的资源.
• 强调信号处理选择在情绪识别系统中的准确性,稳定性和可解释性的重要性.