机构名称：
¥ 1.0
摘要：行为研究、人机交互和心理健康方面的应用取决于识别情绪的能力。为了提高使用脑电图 (EEG) 数据进行情绪识别的准确性，本研究提出了一种混合量子深度学习技术。传统的基于 EEG 的情绪识别技术受到噪声和高维数据复杂性的限制，这使得特征提取变得困难。为了解决这些问题，我们的方法将传统的深度学习分类与量子增强特征提取相结合。为了识别重要的脑电波模式，带通滤波和 Welch 方法被用作 EEG 数据的预处理技术。通过将频带功率属性 (delta、theta、alpha 和 beta) 映射到量子表示，可以捕获确定情绪状态所必需的复杂带间相互作用。在混合量子电路中使用纠缠和旋转门来最大化模型对与不同情绪相关的 EEG 模式的灵敏度。对测试数据集的评估结果表明该模型具有准确识别情绪的潜力。未来研究将扩展该模型以用于实时应用和多类别分类，从而改进基于 EEG 的心理健康筛查工具。该方法展示了将传统深度学习与量子处理相结合以实现可靠、可扩展的情绪识别的可能性，为自适应人机系统和心理健康监测应用提供了一种有前途的工具。
用于情绪检测的混合量子深度学习模型
主要关键词
相关文件推荐
