Nov, 2023

情绪识别的最佳脑电图电极设置：一项实证探索

PDF
TL;DR人脑是一个复杂的器官，主要控制身体的各个部分，同时也影响情绪。最近的研究表明，脑信号对情绪识别非常有效，但大部分情绪主要集中于哪些脑部尚未被充分探索。本研究通过实证分析了各个脑部在情绪表现中的贡献，并利用 DEAP 数据集找到与情绪相关的最优电极组合。研究采用快速傅里叶变换进行有效特征提取，同时通过带有残差连接的一维卷积神经网络进行分类。实验结果表明，从 DEAP 数据集中的 32 个电极中，只有 12 个电极（F7、P8、O1、F8、C4、T7、PO3、Fp1、Fp2、O2、P3 和 Fz）可以达到 95.81% 的准确率，而添加超过 10 个电极并不能显著提高性能。此外，额叶对情绪识别最为重要。
发现论文，激发创造
  • 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

  • 基于信号处理和深度神经网络的优化脑电情绪检测

    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

  • 从 EEG 中鉴定时间稳定的情感识别模式

    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

  • 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

  • 利用迁移学习从 EEG 中进行情感检测

    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

  • 基于情感计算的体验质量（QoE）预测的新方法

    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

  • 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

  • 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

  • 基于脑电的情绪识别：教程和综述

    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

  • 基于循环神经网络和 KNN 的基于 EEG 信号的人类情感分类

    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