基于连续卷积神经网络的3D脑电图情绪识别

作为人类大脑神经活动的重要指标,脑电(EEG)信号能更深层次地反映人的情绪状况,但当前大多数深度学习模型通过EEG识别情绪不够精确。本文提出基于连续卷积神经网络的3D脑电图情绪识别模型,采用提取DE和PSD特征时得到的等价矩阵所构造的三维脑电图立方体作为输入,舍弃卷积神经网络中的池化层。在DEAP数据集上进行实验,Arousal准确率为95.77%,Valence准确率为93.52%,表明该方法非常适用于情绪识别,能给后续相关研究提供参考。

基于栈式自编码神经网络的脑电信号情绪识别

针对维度情感模型生理信号情绪识别准确率较低的问题,本文基于DEAP维度情绪生理数据集,利用AR模型功率谱估计方法,提取脑电θ,α,β,γ节律的功率谱密度;采用小波包分解提取脑电小波包系数和能量占比时频特征;通过非线性分析提取脑电样本熵和小波包熵特征.然后,设计栈式自编码神经网络算法对脑电组合特征在效价和唤醒度两个情感维度上进行机器情绪识别.最后,分析了脑电特征、数据均衡以及情感标签对情绪识别结果的影响.仿真结果表明,栈式自编码神经网络用于脑电信号情绪识别的有效性,在情绪效价维度上,脑电情绪平均识别正确率可达80.3%;在唤醒度上,平均识别正确率达81.5%.该研究可为连续维度情绪自动分析和机器识别提供实际应用借鉴.