Aug, 2023

基于脑电图的情绪风格转换网络用于跨数据集情绪识别

PDF
TL;DR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。
eeg emotion recognitioncross-datasetstylized eeg representationsemotion style transfer networkdiscriminative prediction
发现论文，激发创造
  • CIT-EmotionNet: 基于 CNN 和交互式 Transformer 网络的 EEG 情感识别

    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％。

    May, 2023

  • 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

  • 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

  • 半监督双流自注意对抗图对比学习用于跨主体基于脑电的情绪识别

    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

  • 基于 EEG 的情绪识别的双阶段高效三维 CNN 框架

    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

  • 通过融合时频和空间表示改善基于 EEG 的情感识别

    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

  • 面向主体不可知的情感识别

    本研究聚焦于情感表达的情感识别，旨在基于脑电信号在无主体环境下进行。我们提出了一种新颖的框架，基于元学习的增强型领域自适应方法，通过情感无关的脑机接口，使用迁移学习和元学习的方法来有效解决领域的分布偏移问题，并实验表明该方法可以与最先进的领域自适应方法达到相似的性能水平，同时避免了对额外计算资源的需求。

    Oct, 2023

  • 基于脑电图的情绪识别中的图神经网络研究

    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

  • EmT: 一种用于广义跨主题脑电情感识别的新型 Transformer

    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

  • 多模态情绪阅读器：预训练模型增强跨主体情绪识别

    基于脑电图 (EEG) 的情绪识别引起了重要关注，在神经信号处理和情感计算等领域有了多样化的发展。然而，个体的独特脑解剖结构导致不可忽视的自然差异，在主题间情绪识别中存在挑战。为了克服这些限制，我们开发了一个基于预训练模型的多模式情绪识别器，利用脑信号建模和空间 - 时间注意机制来学习通用的脑电图表示，并在不同维度和模态中最大化功能的优势。广泛的公共数据集上的实验证明了情绪识别器在跨主题情绪识别任务中的卓越性能，优于现有方法。此外，该模型从注意力的角度进行了剖析，为神经信号处理领域的情感研究提供了有价值的洞察。

    May, 2024