一种基于显著性特征融合的 EEG 情感估计模型
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
本文研究了如何在音乐欣赏中通过脑电图和音乐特征相结合的多模态融合方法提高情感识别的准确性,结果表明多模态融合方法能够优于单一模态,并提出了未来融合研究的方向。
Nov, 2016
我们提出了一种名为 Mutual-Cross-Attention(MCA)的新颖有效的特征融合机制,结合特殊定制的 3D 卷积神经网络(3D-CNN),该方法巧妙地发现了 EEG 数据中时域和频域特征之间的互补关系,并且通过新设计的 Channel-PSD-DE 3D 特征在 DEAP 数据集上获得了 99.49%(愉悦度)和 99.30%(唤醒度)的准确率。
Jun, 2024
本研究使用 Resnet50 作为基本模型和 Mean Phase Coherence(MPC)和 Magnitude Squared Coherence(MSC)的组合来识别情绪,结果表明该方法在情感分类方面很有前途。
Jun, 2023
基于脑电图 (EEG) 的情绪识别引起了重要关注,在神经信号处理和情感计算等领域有了多样化的发展。然而,个体的独特脑解剖结构导致不可忽视的自然差异,在主题间情绪识别中存在挑战。为了克服这些限制,我们开发了一个基于预训练模型的多模式情绪识别器,利用脑信号建模和空间 - 时间注意机制来学习通用的脑电图表示,并在不同维度和模态中最大化功能的优势。广泛的公共数据集上的实验证明了情绪识别器在跨主题情绪识别任务中的卓越性能,优于现有方法。此外,该模型从注意力的角度进行了剖析,为神经信号处理领域的情感研究提供了有价值的洞察。
May, 2024
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
本研究采用一种有效的编码方式将脑电信号编码为图像,从而实现对深度学习模型中的脑信号进行更细致的理解,并将其与标准图像特征相结合,以提高深度学习模型的可解释性。通过在六个受试者的层数据集上对 39 个图像类别进行编码分类,该方法在 82% 的准确率方面优于现有工作,从而证明了该理论的可行性。
Sep, 2022
提出了一种基于情感计算驱动的体验质量(QoE)预测的新模型,使用多通道脑电图(EEG),心电图(ECG)和呼吸数据训练深度学习模型,比较了模型的性能,并对最佳模型进行了优化以提高结果。
Nov, 2023
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
我们提出一种基于自监督对比学习的多模式情感识别方法 ME-MHACL,通过从无标签的生物电信号中学习有意义的特征表示,并使用多头注意机制进行特征融合以提高识别性能。在 DEAP 和 MAHNOB-HCI 两个公开数据集上的实验结果表明,我们的方法在情感识别任务中表现优于现有基准方法,并具有良好的跨个体泛化能力。
Jul, 2023