Mar, 2023

通过融合时频和空间表示改善基于 EEG 的情感识别

PDF
TL;DR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。
deep learningeeg signalsemotion recognitionfeature fusionmulti-domain attention
发现论文，激发创造
  • 利用时空特征从 EEG 信号进行跨主体情感识别

    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

  • 一种基于显著性特征融合的 EEG 情感估计模型

    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

  • 基于 EEG 和音乐特征的连续音乐情感识别融合

    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

  • 一种具有图平滑信号的混合时空注意力神经网络用于 EEG 情绪识别

    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

  • 情感识别的时空循环神经网络

    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

  • 基于机器学习和神经网络的 EEG 信号情绪分析

    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

  • 基于互相交叉注意机制的特征融合用于 EEG 情绪识别

    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

  • 在自然场景中利用暂时局部定位的 ' 情感事件 ' 进行情感识别

    通过 Emotional Events 数据集对 EEG 信号的情感事件进行分类，并使用 CNN-LSTM 混合层的分类模型，采用 STFT 进行特征提取，相比于长时间的 EEG 信号，精确观察情感信息可以提高情感认知的准确度

    Oct, 2022

  • 超复模态脑电和周边生理信号的情绪识别

    通过在超复数域中进行操作，该论文提出了一个带有新型融合模块的超复数多模态网络，实现了从生理信号中的分类情感识别，超越了多模态最先进的网络。

    Oct, 2023

  • 基于图注意力机制的 EEG 情感识别中的局部时空模式学习

    研究提出了一种基于局部时空模式学习图注意力网络 (LTS-GAT) 的情感识别技术，通过图注意力机制检测 EEG 模式的局部信息，添加动态域鉴别器来提高算法鲁棒性，在个体依赖和独立的情况下验证了算法的有效性，并采用可视化方法研究了大脑不同区域和情感之间的关系以及情感稀疏性问题。

    Aug, 2022