基于脑电图情感识别的新型深度学习模型

机器学习的最新进展已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，这实际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，而且仍然缺乏大规模的EEG数据集。但是，最近，研究人员已经编译并发布了包含脑电图大脑记录的几个新数据集。

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ML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。

“低分辨率问题仍然是基于EEG的情绪分类的问题，”进行这项研究的研究人员之一Sunhee Hwang告诉TechXplore。“我们提出了解决此问题的想法，其中涉及生成高分辨率的脑电图图像。”

为了提高可用的EEG数据的分辨率，Hwang和她的同事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，并对其进行了训练，以估计三种一般的情绪类别(即积极，中性和消极)。

Hwang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。” “我们的方法通过拟议的CNN重新整理脑电图特征，从而使聚类的效果更好地体现出来。”

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的机器学习技术基于情绪的情绪识别。