机构名称：
¥ 1.0
近年来，深度学习 (DL) 技术，尤其是卷积神经网络 (CNN)，在基于脑电图 (EEG) 的情绪识别中显示出巨大的潜力。然而，现有的基于 CNN 的 EEG 情绪识别方法通常需要相对复杂的特征预提取阶段。更重要的是，CNN 不能很好地表征不同通道的 EEG 信号之间的内在关系，而这本质上是识别情绪的关键线索。在本文中，我们提出了一种有效的多级特征引导胶囊网络 (MLF-CapsNet) 用于基于多通道 EEG 的情绪识别，以克服这些问题。MLF-CapsNet 是一个端到端框架，可以同时从原始 EEG 信号中提取特征并确定情绪状态。与原始 CapsNet 相比，它在形成主要胶囊时结合了不同层学习到的多级特征图，从而可以增强特征表示能力。此外，它使用瓶颈层来减少参数量并加快计算速度。我们的方法在 DEAP 数据集的效价、唤醒度和支配度上分别达到了 97.97%、98.31% 和 98.32% 的平均准确率，在 DREAMER 数据集的效价、唤醒度和支配度上分别达到了 94.59%、95.26% 和 95.13% 的平均准确率。这些结果表明我们的方法比最先进的方法具有更高的准确率。
多 C-EEG--胶囊.pdf
主要关键词
相关文件推荐
