您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
AI根据脑电图数据对情绪进行分类
2019年03月21日 由 冯鸥 发表
972356
0
EEG是一种非侵入性脑监测测试，沿着头皮放置电极以将信号发送到计算机以进行分析。脑电图已被广泛用于研究吞咽，分类心理状态，以及诊断神经精神疾病，如神经源性疼痛和癫痫，但一些研究人员认为他们有未开发的潜力。在论文“Emotion Recognition with Machine Learning Using EEG Signals”中，德克萨斯理工大学，伊朗大不里士大学和Akrham医院的研究人员组成团队，描述了一种仅从脑电图结果识别情绪的AI系统。
情绪状态与各种各样的人类情感，思想和行为有关，因此，它们影响了我们在决策，感知和人类智能等情况下合理行事的能力，近年来，开发基于脑电信号的情绪识别系统已成为认知科学家的热门研究课题。
研究小组指出，脑电信号很难分析，因为它们是非线性的，有些是随机的，并且埋藏在各种噪声源中。为了减少这种噪声，研究人员使用平均均值参考方法并确定了分解方法的特征。通过小波变换（一种在信号频率随时间变化时执行信号分析的数学方法），每个EEG信号被分成γ，β，α和θ波段分量，从中得出源EEG信号的统计特征。
研究人员采用DEAP（一种使用生理信号进行情感分析的注释语料库）来训练他们的情绪分类器。这包括来自32位参与者的EEG数据，他们被告知要观看40个一分钟的音乐视频，并按照几个等级的1到9等级对其进行评分，包括效价（给定视频的内在吸引力是好、中等还是差），觉醒（它引起的生理反应的强度），突出性和情感。大于4.5的等级被认为是高，而低于4.5的等级被标记为低。
有了这些数据，论文的作者训练了三种类型的分类器来区分情绪：k-最近邻算法，支持向量机和人工神经网络。所有这三个都是来自左右额脑附近的10个电极通道的EEG信号的特征 ，都是与正面和负面情绪密切相关的区域。与基线相比，三者中性能最佳的分类器在β频段内实现了91.3％的觉醒准确率和91.1％的效价准确率。
研究人员认为，AI范式集成学习可以进一步改善模型的性能。但他们声称目前的准确率高于应用于DEAP数据集的现有算法。
研究人员表示，“使用情绪信号进行情绪识别的研究增强了脑机接口（BCI）系统，使其成为临床应用和人类社会交往的有效主体。像这样的系统可用于研究情绪状态，同时考虑情绪的自然方面，以找出心理障碍的治疗方法。”
论文：
arxiv.org/ftp/arxiv/papers/1903/1903.07272.pdf
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消