基于深浅特征融合的深度卷积残差网络的脑电情绪识别模型

基于脑电信号的智能情绪识别系统具有便携性、高时间分辨率、实时性等特点,能够在健康、娱乐、教育等多个领域实现情绪监控与调节的应用。但由于脑电信号的非平稳性和个体差异性,传统分类器难以深入提取脑电信号中潜在的与情绪语义相关的特征。为了有效地提取脑电特征,提高脑电-情绪识别的准确性,提出一种新型的基于深浅特征融合的深度卷积残差网络情绪识别模型,主要包括浅层-深层特征提取两个模块和分类模块。首先,通过设计多层不同卷积核的卷积层,以实现浅层时-空特征提取;其次,将所提取的浅层时-空特征输入到双向GRU网络和注意力机制网络,进一步提取得到浅层-深层融合特征;最后,将浅层-深层融合特征输入到全连接层进行分类。使用DEAP数据集中76 800个脑电样本进行基于被试独立的留一交叉验证,在效价和唤醒度的维度上,跨个体、跨试次、跨时间的二分类准确率分别为96.95%和97.22%,比现有同类模型的最优识别性能分别提升3.53%和4.25%。另外,模型的性能也在MAHNOB-HCI和SEED数据集上得到验证。结果表明,提出的模型能有效地提取与情绪语义相关的脑电特征。