Jan, 2024

基于主成分分析和基于树的模型的实时脑电情绪识别模型

PDF
TL;DR本文提出一种整合技术和促进人文学科教学方法发展的解决方案，通过在沉浸式空间内整合情感监测，开发了实时情感检测的脑电波系统，以创造综合和沉浸式学习环境。
educational innovationteaching methodologiesemotional monitoringimmersive learning environmentreal-time emotion detection
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 基于融合音乐和电皮肤活动信号的高效多模态大规模情感识别框架

    本研究采用凸优化的 EDA 方法将情绪识别中所需的动态和稳态特征分离，提出了一种融合了个体 EDA 特征和外部音乐特征的一维残余时间和通道注意力网络的多模态框架，证明其比现有模型更有效。

    Aug, 2020

  • 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

  • 基于生理信号的无监督情感识别的深度聚类

    情绪在人脑的认知过程中扮演重要角色，本研究提出了一种基于生理和心理数据的无监督深度聚类框架用于情绪识别。通过对 WESAD 数据集的测试，深度 k 均值和深度 c 均值在 Russell 情感模型的四个象限上具有 87% 的总体准确率，并通过主观评估结果初始化聚类，避免了需要标签的问题。

    Aug, 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

  • 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