基于脑电信号的情绪识别方法与传统的人脸识别、语音识别等方法相比,表现出更高的可靠性。然而,由于脑电信号具有低信噪比、非平稳性以及被试间差异大等特点,传统机器学习方法很难进一步提高情绪分类准确性。近年来,随着深度学习在图像...基于脑电信号的情绪识别方法与传统的人脸识别、语音识别等方法相比,表现出更高的可靠性。然而,由于脑电信号具有低信噪比、非平稳性以及被试间差异大等特点,传统机器学习方法很难进一步提高情绪分类准确性。近年来,随着深度学习在图像分类、语音识别等领域的成功应用,许多研究者将其应用于脑电情绪识别。本文在Web of Science和Google Scholar中利用“deep learning”、“EEG”及“emotion recognition”等关键词检索到154篇相关文献,并基于PRISMA准则筛选出了31篇近几年内将深度学习应用于脑电情绪分类的文献。笔者从脑电信号的预处理、特征提取和深度网络输入形式、深度网络架构选择及参数设置等方面,介绍了基于脑电深度学习的情绪识别研究进展。同时,以某情绪脑电公共数据库(a Dataset for Emotion Analysis using EEG,Physiological,and Video Signals,DEAP)相关研究为例进行各种深度网络架构的比较。本文进一步将文献分析结果提炼,为有兴趣将深度学习技术应用于情绪脑电数据的研究人员,提供一些处理过程中方法选择与参数设置的建议。展开更多
文摘基于脑电信号的情绪识别方法与传统的人脸识别、语音识别等方法相比,表现出更高的可靠性。然而,由于脑电信号具有低信噪比、非平稳性以及被试间差异大等特点,传统机器学习方法很难进一步提高情绪分类准确性。近年来,随着深度学习在图像分类、语音识别等领域的成功应用,许多研究者将其应用于脑电情绪识别。本文在Web of Science和Google Scholar中利用“deep learning”、“EEG”及“emotion recognition”等关键词检索到154篇相关文献,并基于PRISMA准则筛选出了31篇近几年内将深度学习应用于脑电情绪分类的文献。笔者从脑电信号的预处理、特征提取和深度网络输入形式、深度网络架构选择及参数设置等方面,介绍了基于脑电深度学习的情绪识别研究进展。同时,以某情绪脑电公共数据库(a Dataset for Emotion Analysis using EEG,Physiological,and Video Signals,DEAP)相关研究为例进行各种深度网络架构的比较。本文进一步将文献分析结果提炼,为有兴趣将深度学习技术应用于情绪脑电数据的研究人员,提供一些处理过程中方法选择与参数设置的建议。
