通过开发图神经网络 (GNN) 在基于脑电图的情绪识别领域中的独特应用,研究综述了现有方法,并提供了构建 GNN 在基于脑电图情绪识别中的清晰指导,同时探讨了一些挑战和未来方向。
Feb, 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
本研究提出了一种端到端的深度学习结构 SSNet,包括基于卷积神经网络(CNN)和长短期记忆(LSTM)的两个深度学习网络,用于通过联合眼电图(EOG)、脑电图(EEG)和肌电图(EMG)的信号分类睡眠阶段。在两个公共数据集上进行了测试,取得了最佳性能。
Jul, 2023
该研究提出了一个浅层卷积神经网络模型,用于评估脑电信号的特征提取和分类,并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。
Sep, 2022
本文提出了一种使用 CNN Interactive Transformer Network 的方法,将全局和局部特征有效地结合起来,以提高情感识别性能。该方法在两个公开数据集,SEED 和 SEED-IV 上表现出比现有方法更高的平均识别准确性 98.57%和 92.09%。
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
本文提出了一种双模型方法,结合了基于序列的 EEG 幅值表示和基于图像的表示。采用基于显著性分析的图像模型,促进了两个模型部分的联合学习。在四个公开数据集上进行评估,结果表明本方法优于现有方法,在情感估计任务上取得了较高的稳定性。
Jan, 2022
通过使用 Gated Recurrent Unit (GRU) 算法,该研究检测了使用 EEG 信号来预测情绪状态的能力,结果表明该模型在验证集上达到了 100% 准确率,并且与其他机器学习技术相比,GRU 模型的极限梯度提升分类器具有最高的准确性,这项研究强调了类似 GRU 的深度学习模型在情绪识别中的潜力以及情感计算的进展,发现为与计算机交互和理解情绪如何通过脑电波活动表达提供了新的可能性。
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