CIT-EmotionNet: 基于 CNN 和交互式 Transformer 网络的 EEG 情感识别
将神经生理学的先前知识融入神经网络结构可提高情绪解码的性能。通过引入一种称为 EmT 的新型变压器模型,将 EEG 信号转换为时态图形式,并设计了一种用于学习时态上下文信息的模块,EmT 在广义跨受试者 EEG 情绪分类和回归任务中表现出色。
Jun, 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
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
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
本研究提出了一种基于脑电图情绪风格转移网络(E2STN)的方法,用于解决脑电图情绪识别中源领域和目标领域之间巨大差异导致的跨数据集问题,并且在大量实验中表明,E2STN 在跨数据集脑电图情绪识别任务中实现了最先进的性能。
Aug, 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
本文提出了一种高效的基于多尺度 Transformer 的方法,用于从生理数据中识别情感,并且利用多模态技术和缩放数据建立内部身体信号与人类情感之间的关系。同时使用高斯变换技术优化信号编码效果,并在 EPiC 比赛的 CASE 数据集上取得了 RMSE 得分 1.45 的好成绩。
May, 2023
该文章提出了一种基于 EEG 数据的、有效的情绪识别方法,使用了两阶段的框架,并通过引入二元神经网络的方法对模型进行优化,实现了在边缘设备上实时准确地识别人类情绪。
Jul, 2022
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
本文提出使用基于 Transformer 的模型处理心电图以进行情感识别,利用 Transformer 的注意机制为信号构建上下文化表示,并通过全连接网络对这些表示进行处理,以预测情感,同时利用自监督学习来克服情感标签数据集相对较小的限制,实现了对 AMIGOS 数据集上心电图情感识别的最新性能,并且表明了 Transformer 和预训练是应用于生理信号情感识别的有前途的策略。
Apr, 2022