基于机器学习和神经网络的 EEG 信号情绪分析
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
本文从研究者的角度出发,综述了近期 EEG 情感识别研究的代表性成果,并提供教程以帮助研究者从零开始。介绍了 EEG 情感识别在心理和生理水平上的科学基础,将这些被综述的作品分类为不同的技术路线,并说明了理论基础和研究动机,最后讨论了现有的挑战和未来的研究方向。
Mar, 2022
本研究使用电脑建立了一个基于神经网络的智能决策模型,通过 EEG 检测来识别人类主观情绪,并采用一些信号处理技术和算法,实验结果表明该模型能够提高情绪检测的准确性。
Mar, 2023
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。
Jul, 2023
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
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
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
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
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