基于图注意力机制的 EEG 情感识别中的局部时空模式学习
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
本文提出了一种基于多视图图形变换器(MVGT)的方法,通过整合时域、频率域和空间域的信息(包括几何和解剖结构),并将电极的空间信息作为编码,从而全面提高模型的表达能力,与近年来的最新方法相比,在公开数据集上的实验结果证明了我们提出的模型的优越性,并且结果还表明 MVGT 能够有效地从多个领域中提取信息并捕捉 EEG 情感识别任务中的通道间关系。
Jul, 2024
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
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
本研究提出一种名为 STRNN 的深度学习框架来将人类情感信息的两种不同信号源进行学习,以便对情绪进行永久跟踪和分析,并在公共情感数据集上取得更具竞争力的结果。
May, 2017
本研究使用机器学习方法研究了情感识别过程中 EEG 的稳定模式,并对其在时间上的一致性进行了系统评估,结果显示稳定模式在不同 session 之间呈现出一致性,正面情绪比负面情绪更容易激活侧向颞区的 beta 和 gamma 波,中性情绪在顶部和枕部有更高的 alpha 波响应,而负面情绪在顶部和枕部有显著更高的 delta 波响应和前额部位更高的 gamma 波响应,因此神经模式在情感识别中是相对稳定的。
Jan, 2016
提出了一种基于分层混合模型的情感识别方法 MACTN,该模型通过卷积神经网络 (CNN) 提取局部情感特征,通过 transformer 集成稀疏的全局情感特征,并利用通道注意机制识别最相关的通道,在实验中取得超过其他现有方法的分类准确度和 F1 分数,早期版本已赢得 2022 年世界机器人大赛情感 BCI 竞赛的决赛冠军。
May, 2023
本文提出了一种半监督的双流自我注意对抗性图对比学习框架 (DS-AGC),用于解决跨受试者基于脑电图的情绪识别中标记数据不足的挑战,并通过多个实验表明该模型在不完整标签条件下优于现有方法,具有有效解决跨受试者基于脑电图的情绪识别中标签稀缺问题的效果。
Aug, 2023
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
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