基于缩放卷积注意力网络的跨多个体脑电情绪识别

基于脑电信号的情绪识别,因其可以客观地反映人的生理和心理状态而成为了情绪调节干预的医疗辅助。针对现有方法因忽略个体间通道数据分布差异导致的情绪识别泛化性能差的问题,提出一种基于缩放卷积注意力网络的跨多个体情绪识别新方法。该方法在提取多通道脑电信号中情绪量化特征的基础上,构造新型缩放卷积注意力网络以建立不同通道、不同尺度情绪特征的协同变化关系,通过模型训练自动学习协同关系的权重,最终获得对情绪极性的域不变表征,以提高跨多个体脑电情绪识别的泛化性能。使用情绪脑电图数据集SEED和SEED-IV中的100665和100950个脑电样本进行跨多个体情绪识别。该方法在情绪三分类会和四分类中识别准确率分别为89.63%和75.65%,特别是在个体数变化情况下,其鲁棒性优于现有大多数模型。所提出的方法可有效提取情绪极性的域不变表征.

基于深度残差生成对抗网络的医学影像超分辨率算法

针对医学影像超分辨率重建过程中细节丢失导致的模糊问题,提出了一种基于深度残差生成对抗网络(GAN)的医学影像超分辨率算法。首先,算法包括生成器网络和判别器网络,生成器网络生成高分辨率图像,判别器网络辨别图像真伪。然后,通过设计生成器网络的上采样采用缩放卷积来削弱棋盘效应,并去掉标准残差块中的批量规范化层以优化网络;进一步增加判别器网络中特征图数量以加深网络等方面提高网络性能。最后,用生成损失和判别损失来不断优化网络,指导生成高质量的图像。实验结果表明,对比双线性内插、最近邻插值、双三次插值法、基于深度递归神经网络、基于生成对抗网络的超分辨率方法(SRGAN),所提算法重建出了纹理更丰富、视觉更逼真的图像。相比SRGAN方法,所提算法在峰值信噪比(PSNR)和结构相似度(SSIM)上有0.21 d B和0.32%的提升。所提算法为医学影像超分辨率的理论研究提供了深度残差生成对抗网络的方法,在其实际应用中可靠、有效。

基于生成对抗网络的织物图案生成方法

织物图案设计作为一种传统工艺,在当代艺术的环境下需要更加多元化的设计思路。本文基于深度卷积生成对抗网络(DCGAN)进行织物图案设计,为了消除DCGAN中的反卷积操作产生的棋盘效应,使用缩放卷积对原模型生成器中的反卷积操作进行优化,并在缩放卷积的上采样过程中分别采用最近邻插值和双线性插值,同时与原始DCGAN模型的生成样本进行实验对比。实验结果表明,使用缩放卷积改进的DCGAN可以更有效的提升生成图像的质量。

基于脑电通道增强的情绪识别方法

随着人工智能与深度学习的发展,基于深度学习的多通道脑电信号的情绪识别研究逐渐受到关注,但多通道脑电情绪识别信号复杂且各通道重要性一致,并不能高效且有针对性地进行脑电情绪识别。为此,该文提出一种基于缩放卷积层和脑电通道增强模块的情绪识别方法,能直接在脑电物理通道上进行增强学习。首先,通过缩放卷积层提取多通道脑电情绪信号的类时频特征;然后,通过脑电通道增强模块对所有脑电物理通道重新赋予不同的重要性;最后,利用卷积神经网络对情绪进行分类。该方法能够融合多通道脑电信号的时间和频率信息,同时,通过输出各脑电通道的重要性,探究不同情绪维度与脑电通道之间的关系。在DEAP数据集上进行了实验验证,不同脑电通道对情绪识别任务的重要性存在差异,其中,额叶区和枕叶区的C4、P4、P3、PO4、F75个脑电通道重要性相对较高,该情绪识别方法在愉悦度、唤醒度和支配度3个情绪维度上的识别准确率也均有提升。