基于深层图卷积的EEG情绪识别方法研究

针对浅层图卷积提取的局部脑区空间关联信息对情感脑电表征不足的问题,本文提出了一种深层图卷积网络模型。该模型利用深层图卷积学习情绪脑电全局通道间的内在关系,在卷积传播过程中应用残差连接和权重自映射解决深层图卷积网络面临的节点特征收敛到固定空间无法学习到有效特征的问题,并在卷积层后加入PN正则化扩大不同情绪特征间的距离,提高情绪识别的性能。在SEED数据集上进行实验,与浅层图卷积网络相比准确率提高了0.7%,标准差下降了3.15。结果表明该模型提取的全局脑区空间关联信息对情绪识别的有效性。

注意力残差网络结合LSTM的EEG情绪识别研究

基于脑电信号的情感识别已成为情感计算和人机交互领域的一个重要挑战。由于脑电信号中具有时间、空间、频率维度信息,采用结合注意力残差网络与长短时记忆网络的混合网络模型(ECA-ResNet-LSTM)对脑电信号进行特征提取与识别。首先,提取时域分段后脑电信号不同频带微分熵特征,将从不同通道中提取出的微分熵特征转化为四维特征矩阵;然后通过注意力残差网络(ECA-ResNet)提取脑电信号中空间与频率信息,并引入注意力机制重新分配更相关频带信息的权重,长短时记忆网络(LSTM)从ECA-ResNet的输出中提取时间相关信息。实验结果表明:在DEAP数据集唤醒维和效价维二分类准确率分别达到了97.15%和96.13%,唤醒-效价维四分类准确率达到了95.96%,SEED数据集积极-中性-消极三分类准确率达到96.64%,相比现有主流情感识别模型取得了显著提升。

基于多脑区注意力机制胶囊融合网络的EEG-fNIRS情感识别

为了提高情感识别的准确率,提出多脑区注意力机制和胶囊融合模块的胶囊网络模型(MBA-CFc CapsNet).通过情感视频片段诱发采集EEG-fNIRS信号,构建TYUT3.0数据集.提取EEG和f NIRS的特征,将其映射到矩阵,通过多脑区注意力机制融合EEG和fNIRS的特征,给予不同脑区特征不同的权重,以提取质量更高的初级胶囊.使用胶囊融合模块,减少进入动态路由机制的胶囊数量,减少模型运行的时间.利用MBA-CFc CapsNet模型在TYUT3.0情感数据集上进行实验,与单模态EEG和f NIRS识别结果相比,2种信号结合情感识别的准确率提高了1.53%和14.35%.MBA-CF-cCapsNet模型与原始CapsNet模型相比,平均识别率提高了4.98%,与当前常用的CapsNet情感识别模型相比提高了1%~5%.

基于有效注意力和GAN结合的脑卒中EEG增强算法

在基于脑电的卒中分类诊断任务中,以卷积神经网络为基础的深度模型得到广泛应用,但由于卒中类别病患样本数量少,导致数据集类别不平衡,降低了分类精度。现有的少数类数据增强方法大多采用生成对抗网络(GAN),生成效果一般,虽然可通过引入缩放点乘注意力改善样本生成质量,但存储及运算代价往往较大。针对此问题,构建一种基于线性有效注意力的渐进式数据增强算法LESA-CGAN。首先,算法采用双层自编码条件生成对抗网络架构,分别进行脑电标签特征提取及脑电样本生成,并使生成过程逐层精细化;其次,通过在编码部分引入线性有效自注意力(LESA)模块,加强脑电的标签隐层特征提取,并降低网络整体的运算复杂度。消融与对比实验结果表明,在合理的编码层数与生成数据比例下,LESA-CGAN与其他基准方法相比计算资源占用较少,且在样本生成质量指标上实现了10%的性能提升,各频段生成的脑电特征样本均更加自然,同时将病患分类的准确率和敏感度提高到了98.85%和98.79%。

基于3D特征融合与轻量化CNN的情绪EEG识别

情绪变化可引起头皮脑电信号的改变,基于脑电信号的情绪识别是近年来情绪研究的一个重要方向。为此,提出一种基于3D特征融合与轻量化卷积神经网络的情绪EEG识别方法,使用2 s窗口的3D特征图作为输入,并根据效价和唤醒提供情绪状态作为输出。在DEAP公开数据集上对所提方法进行受试者依赖实验,结果表明情绪识别性能评估效价和唤醒识别准确率分别为(97.08±0.32)%和(96.78±0.34)%。所提方法具有较高的情绪识别准确度和较低的计算复杂度,适用于实际场景中的情绪识别。

抑郁症EEG诊断的类脑学习模型

抑郁症是一种全球性精神疾病,传统诊断方法主要依靠量表与医生的主观评估,无法有效识别症状,甚至存在误诊的风险。基于生理信号的深度学习辅助诊断有望改善传统缺乏生理学依据的方法。然而,传统深度学习方法依赖巨大算力,且大多是端到端的网络学习。这些学习方法也缺乏生理可解释性,限制了辅助诊断临床应用。提出一种用于抑郁症脑电图(electroencephalogram,EEG)诊断的类脑学习模型,在功能层面,构建脉冲神经网络对抑郁症与健康个体进行分类,精度超过97.5%,相比深度卷积方法,脉冲方法降低了能耗;在结构层面,利用复杂网络建立脑连接的空间拓扑并分析其图特征,找出了抑郁症个体潜在的脑功能连接异常机制。

基于EEG的视频侦查员作业疲劳预测研究

为了探究视频侦查员的疲劳状况及其疲劳监测方法,通过采集视频侦查员的脑电(EEG)数据和主观问卷数据,建立基于BP神经网络模型的疲劳程度预测系统。实验共招募了12名视频侦查员作为被试,使用EEG设备记录他们在执行特定侦查任务时的脑电信号。提取α/β、θ/β、(α+θ)/β和(α+θ)/(α+β)等脑电特征值作为疲劳检测的生理指标,并结合主观量表数据,构建BP神经网络模型来预测视频侦查员工作前后的疲劳状态。实验结果显示,通过对所有通道脑电信号特征值的配对t检验,识别出4个显著通道的特征值,这些特征值在预测视频侦查员疲劳状态方面表现出较高的准确性。基于这些特征值,建立的BP神经网络模型在预测视频侦查员疲劳状态时的拟合精度为84.348%。本研究提出的疲劳监测方法不仅为视频侦查员合理地工作调度提供了科学依据,还有助于提高他们在工作中的决策效率。此外,该方法也为相关疲劳检测技术的研发提供了技术手段和理论基础,对于提升公共安全领域的工作效率和质量具有重要意义。

基于改进的GAF算法的EEG情感识别

利用脑电图(EEG)信号对人类的情感进行识别一直是一个重要且具有挑战性的研究领域。传统的方法都是对一维EEG信号进行分析,然后提取特征进行识别;但这种方法需要提取许多时域或频域上的特征才能取得较好的识别效果。考虑到二维图像蕴含的信息要远远比一维信号蕴含的信息丰富,因此将一维信号转换成二维图像可以提取更加有效的特征进行识别。为此,该文提出了一种基于改进的Gramian Angular Field(GAF)算法的EEG情感识别方法。首先,从EEG信号中提取alpha、beta、gama三个频段的子带信号;然后,提出了一种基于马氏距离加权的改进GAF算法将一维EEG信号转换成二维特征图像;接着,从二维图像中提取奇异值熵、图能量等特征;最后,利用卷积神经网络(CNN)对提取的EEG特征进行分类识别。基于广泛使用的DEAP数据集,针对四分类(HAHV、LAHV、LALV和HALV)情感识别任务,对该模型进行了验证。实验结果表明:所提算法的平均分类准确率达到92.63%,与现有的识别方法对比具有一定的优势。

基于EEG脑网络的视觉呈现速度对工作记忆影响的研究

随着生活节奏加快,倍速播放在学习过程中被广泛应用,对学习认知活动的影响也逐渐被学者所关注。为探究记忆任务的视觉呈现速度对工作记忆的影响及其机理,本研究从EEG脑网络的视角展开研究。设计了快慢两种呈现速度下的实验范式,并对18名被试的脑电数据进行采集,计算各频段的功率谱并选择具有显著性差异(P<0.05)的频段进行分析。采用格兰杰因果的方法计算不同频段脑区之间的因果关系并构建加权因效性脑网络,分析网络的入度、出度和聚类系数这3种网络特征,并使用支持向量机对快慢状态下的脑网络进行分类。结果显示,在快速视觉呈现状态下,脑网络出入度增加,节点聚类系数进一步加强,且具有显著差异节点主要分布于额叶、顶叶和枕叶,显著高于慢速视觉呈现状态(P<0.05),以各频段入度、出度、聚类系数作为特征对快慢状态下的脑网络进行分类,分类准确率分别最高可达90.96%、90.29%、86.53%。本研究表明,随着视觉呈现速度加快,视觉加工进一步激活,被试的工作记忆意识活动逐渐增强,大脑左半球对语言、推理等认知活动的主导作用也在不断加强。本研究为探究播放速度对学习认知活动的影响提供了新的研究思路,也为学习视频设计者设置播放速度提供理论依据。

基于改进Renyi熵算法的EEG心算任务识别

结构熵是度量网络复杂度的重要手段,为了弥补传统结构熵仅仅关注网络单一特性的问题,提出了一种改进Renyi熵算法来研究心算任务下的EEG脑网络,引入了两个重要网络属性——分形维数和介数中心性来提高网络复杂性的度量能力。之后,基于心算EEG数据计算两两电极间的相位锁定值(PLV),构建了复杂脑网络,并进行复杂度分析。结果表明,在α频段,心算状态下额叶与顶枕叶的脑同步性低于休息状态,心算状态的脑网络复杂性高于休息状态。利用支持向量机(SVM)实现了休息、心算状态的识别,算法识别准确率达到了88.42%。

EEG、视觉注视融合的MHA LSTM神经网络飞行员注意力分析研究

为提高飞行员注意力检测准确性、及时性,文中提出一种融合EEG与视觉注视的注意力分析方法。文中以飞行训练实验数据为基础,建立了一种以飞行效果评估与反应时测试融合的注意力评估方法,以此为参考对视觉注视、EEG数据进行分割、筛选制作成数据样本,构建EEG、视觉注视数据集。建立MHA LSTM网络模型对融合EEG、视觉注视的多通道数据进行分类分析。实验表明,网络模型平均准确率达到93.56%,比LSTM模型准确率提升了4.6%,可见文中方法在检测性能上具有明显提高。

CLASSIFICATIONS OF EEG SIGNALS FOR MENTAL TASKS USING ADAPTIVE RBF NETWORK

Objective This paper presents classifications of m ental tasks based on EEG signals using an adaptive Radial Basis Function (RBF) n etwork with optimal centers and widths for the Brain-Computer Interface (BCI) s chemes. Methods Initial centers and widths of the network are s elected by a cluster estimation method based on the distribution of the training set. Using a conjugate gradient descent method, they are optimized during train ing phase according to a regularized error function considering the influence of their changes to output values. Results The optimizing process improves the performance of RBF network, and its best cognition rate of three t ask pairs over four subjects achieves 87.0%. Moreover, this network runs fast du e to the fewer hidden layer neurons. Conclusion The adaptive RB F network with optimal centers and widths has high recognition rate and runs fas t. It may be a promising classifier for on-line BCI scheme.

基于改进EEGNet的n-back任务脑电信号识别

在人机交互的过程中,脑力负荷过高是产生操作错误的重要因素,现阶段基于脑电信号具有时间分辨率高和便携性好的特点,常用于脑力负荷的评估.近几年来深度学习的快速发展也使得其广泛应用在脑电领域并取得了比传统的机器学习更加优异的效果, n-back任务可通过设定不同的n值来诱发不同程度的脑力负荷.由此设计了基于视觉和听觉的n-back的范式来避免维度单一,同时还提出一种新的卷积神经网络模型,使用64通道的eego脑电设备采集数据经eeglab预处理后用于该模型的训练.在测试集上与EEGNet, FBCNet, ShallowConNet的性能进行对比,其提出的新模型在分类准确率有较为明显的提升,使得该研究在脑力负荷的评估尤其在多维度n-back任务的分类上具有一定应用潜力.

基于脑电图的帕金森轻度认知障碍功能网络特征分析

帕金森氏轻度认知障碍(PDMCI)是帕金森氏症患者痴呆的先兆,这对使用神经评分量表和医生经验等传统方法进行准确诊断提出了挑战。利用26名PDMCI患者和23名正常人的脑电信号,基于定向传递函数构建了Delta、Theta、Alpha、Beta和Gamma频段的脑功能网络。引入了一种新颖的图论特征——效率密度来捕获网络密度和传输效率。研究结果揭示了独特的连接模式,Delta和Theta波段的连接更紧密,而Alpha、Beta和Gamma波段的连接更稀疏。帕金森病(PD)患者与对照组之间的Theta、Alpha、Beta和Gamma频带存在显著差异(p<0.05)。因此,脑功能网络可以有效反映PD脑功能异常状态,效率密度特征可以反映PD脑功能异常活动的特征量。

一种用于医疗EEG数据集的联邦遗传算法

为了提高医疗数据的共享安全性,提出了一种基于遗传算法的联邦学习算法.该算法将单个用户到服务器的数据传输减少到单个适应度值,用户不需要上传模型的梯度信息,避免了传输数据泄露带来的问题.使用卷积神经网络对脑电波EEG信号进行分类,使用改进的遗传算法对模型进行优化,设计了合适的编码、交叉、变异算子以及精英保留策略对问题进行求解.实验结果表明,该算法可以得到较好的求解精度,较好保障了医疗数据的隐私安全.

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.

基于微分熵及卷积神经网络的脑电运动想象分类识别

针对基于运动想象的脑电信号多分类识别准确率不高的问题,提出一种基于微分熵及卷积神经网络对运动想象四分类的识别方法。首先,将脑电信号通过滤波器提取为Alpha、Beta、Theta、Gamma 4个频段,分别计算各个频段的微分熵特征,并按照脑电极空间特征对数据结构进行重构为三维脑电信号特征立方体。最后,将其输入卷积神经网络进行四分类,该方法基于BCI Competition IV-2a公开数据集,准确率达到95.88%,并在试验室建立四分类运动想象数据集进行相同的处理,准确率达到94.50%。测试结果表明本文所提方法具有更好的识别效果。

基于动态网络的文本敏感信息感知脑响应检测模型

针对文本敏感信息感知过程复杂和个体差异大造成敏感信息感知脑响应潜伏期不确定性的问题,提出了一种基于动态卷积神经网络的脑响应检测模型——DyCNN_CBAM。该模型通过增加的动态卷积模块,让每层的卷积参数在训练的时候随着输入可变,可提升模型的尺寸与容量。然后在模型第一、二层后增加的注意力机制模块,自动计算贡献度较高的时空信息。实验结果表明:该模型比现有的单尺度模型平均分类准确率提高了4%,F1分数提高6.7%,同时比现有多尺度网络平均分类准确率提高了2%,F1分数提高1.2%。此外,在公开数据集上取得最好的F1分数。由此说明,该网络更够适应文本敏感信息感知脑信号潜伏期抖动性,有效地提升了文本敏感信息检测模型的稳定性。

基于脑电网络的情绪识别研究进展

情绪识别使计算机系统具备感知人类情感的能力,它已成为计算机科学、心理学、社会学、生物医学工程等多个学科的研究热点。脑电(Electroencephalography, EEG)网络分析方法是神经影像领域常用的神经认知分析方法,它通过捕获脑区间交互关系构建脑网络,以此描述大脑不同区域的信息流动状态和功能协作状况。由于情绪功能本身涉及多脑区协作,脑电网络的分析方法凭借其出色的脑区信息交互捕获能力在情感识别领域发挥重要作用。该文对脑电网络情绪识别的研究背景、原理方法和研究现状进行详细介绍,并讨论了基于脑电网络分析的情绪识别研究目前存在的问题和未来发展趋势。

基于偶极子成像和3D卷积神经网络的源域运动想象解码方法

目的为充分保留和利用运动想象(motor imagery,MI)时偶极子的时空信息,本文提出一种新的偶极子成像(dipoles imaging,DI)结合3维卷积神经网络(3D convolutional neural network,3DCNN)的源域MI解码方法(DI-3DCNN)。方法首先,基于脑源成像(electroencephalography source imaging,ESI)技术计算运动想象脑电信号的偶极子源估计;接着,获取每类MI任务的平均偶极子源估计,基于数据驱动自动选择每类任务中偶极子激活水平较高且最大区分于其他任务的时刻作为中心采样点,再对中心采样点进行前后延伸并按任务顺序组合,形成感兴趣时间(time of interest,TOI);其次,选择覆盖高激活偶极子的Desikan-Killiany(DK)神经分区,并对局部保持投影方法(local preserving projection,LPP)增加DK分区约束,获得一种改进的有监督LPP(LPP DK);进而,基于LPP DK分别将所选择左、右半脑分区内的偶极子坐标从3维(three dimensional,3D)降成2维,获得具有神经生理先验信息的偶极子2D坐标,再结合TOI内各采样点处偶极子的幅值信息进行成像,并进行插值、下采样操作,得到偶极子的2D幅值图;随后,将TOI内偶极子的2D幅值图按时间顺序堆叠,获得左、右半脑的3D偶极子特征图,并将其作为网络的输入数据;最后,根据输入数据的特点,设计一种双分支3D卷积神经网络(dual-branched 3DCNN,DB3DCNN)实现MI解码。结果基于BCI competition IV 2a数据集进行实验研究,取得了86.50%的平均解码准确率。结论基于DI所得3D偶极子特征图能够较好地保留偶极子的最佳激活时间、程度及生理空间信息,且与DB3DCNN性能匹配。