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.