基于脑电图情感识别的新型深度学习模型

2019年12月25日由 KING 发表 272095 0

机器学习的最新进展使检测和识别人类情感的技术得以发展。这些技术中的一些通过分析脑电图（EEG）信号而起作用，该信号实质上是从人的头皮收集的大脑电活动的记录。

在过去十年左右的时间里，大多数基于EEG的情绪分类方法都采用了传统的机器学习（ML）技术，例如支持向量机（SVM）模型，因为这些模型需要较少的训练样本，但是仍然缺乏大规模的EEG数据集。然而，最近，研究人员已经编译并发布了一些包含脑电图大脑记录的新数据集。这些数据集的发布为基于EEG的情绪识别开辟了令人兴奋的新可能性，因为它们可用于训练深度学习模型，这些模型可实现比传统机器学习技术更好的性能。但是，不幸的是，这些数据集中包含的EEG信号分辨率低，可能会使训练深度学习模型变得相当困难。

为了提高可用的EEG数据的分辨率，研究人员首先在收集数据时使用电极坐标生成了所谓的“拓扑保留差分熵特征”。随后，他们开发了卷积神经网络（CNN），并在更新的数据上对其进行了训练，以估计三种一般的情绪类别（积极、中性和消极）。

研究人员说：“以前的方法往往会忽略EEG特征的拓扑信息，但是我们的方法通过学习生成的高分辨率EEG图像来增强EEG表示。这种方法通过拟议的CNN重新整理脑电图特征，使聚类的效果能够获得更好的表示。”

研究人员在SEED数据集中训练和评估了他们的方法，该数据集包含62通道EEG信号。他们发现，他们的方法可以对情绪进行分类，其平均准确率高达90.41％，优于其他基于EEG的情绪识别机器学习技术。

研究人员补充说：“如果从不同的情感片段中记录到EEG信号，则原始DE功能将无法聚类。我们还将把我们的方法应用于估计驾驶员警惕性的任务上，以显示其现成的可用性。”将来，研究人员提出的方法可能会为基于EEG的新型情感识别工具的开发提供信息，因为它引入了解决与EEG数据分辨率低相关问题的可行解决方案。相同的方法也可以应用于其他深度学习模型来分析EEG数据，甚至是那些用于分类人类情感的模型。

对于计算机视觉任务，大规模的数据集使用于图像分类的深度学习模型取得了巨大的成功，其中有些已经超越了人类的表现。此外，不再需要进行复杂的数据预处理。在未来的工作中，我们希望使用生成的对抗网络（GAN）生成大规模的EEG数据集。

标签：

机器学习深度学习模型

0 评论

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

上一篇 XAI——可解释的人工智能

下一篇机器学习所带来的经济冲击

评论登录

要发表评论，您必须先登录。

jonatasgrosman/wav2vec2-large-xlsr-53-english facebook/dino-vitb16 bert-base-uncased xlm-roberta-large xlm-roberta-base gpt2 microsoft/resnet-50 facebook/dino-vits8

最好的基于Transformer的LLM（上）