情感识别的时空循环神经网络
我们引入了一个深度神经网络用于情感分类,通过混合的时空编码和循环注意网络块获取可解释的生理学表示,并应用图信号处理工具对原始数据进行预处理以在空间域中进行图平滑。我们证明了我们的架构在公开可用的 DEAP 数据集上超过了最先进的情感分类结果,并通过转移学习的方式在 DREAMER 和情感英语词(EEWD)数据集上提高了情感分类准确性。
Jul, 2023
该研究结合多个表示,使用多领域关注机制和跨领域特征融合方法构建了脑电情感识别网络,实验证明该网络优于其他现有方法,并实现了最新技术水平。
Mar, 2023
本研究提出了一种新颖的两流异构图递归神经网络,名为 HetEmotionNet,该网络可以融合多模态生理信号用于情感识别,并在两个实际数据集上取得了比现有基准更好的性能。
Aug, 2021
通过使用 EEG 信号和 CNN 层,本文提出了一种易于实现的情感识别模型,使用 DENS 数据集进行评估,并在情感极性评分上达到 73.04%的准确性。
May, 2023
本研究通过机器学习方法,对脑机接口的 EEG 信号进行分析,利用离散小波变换,重复神经网络和 K 最近邻算法等技术,将与积极、中立和消极情绪相关的 EEG 信号进行分类,其分类性能高达 94.844%,相较于 KNN 算法的 93.438%更加优越。
May, 2022
本研究通过使用 SVM,KNN 和 RNN (LSTM) 等算法,对 DEAP 数据集中的 EEG 信号进行分类和测试,以探究如何使用脑信号来改进情绪识别的性能,并进一步研究情绪随时间变化的规律。
Jul, 2023
本文介绍了一种基于时间的情感建模方法,称为 TIM-Net,它学习来自各种时间尺度的多尺度情境情感表示,并用于提高语音情感识别的性能,实验结果表明 TIM-Net 在六个基准数据集上表现出优异的性能。
Nov, 2022
本研究提出了一种运用视觉和听觉模态的情感识别系统,其通过深度卷积神经网络提取语音特征,通过 50 层的深度残差网络提取视觉特征,并运用长短时记忆网络进行机器学习算法,通过对 AVEC 2016 情感识别研究挑战的 RECOLA 数据库的自发和自然情绪的预测,明显优于传统的以听觉和视觉手工制作特征为基础的方法。
Apr, 2017