机构名称：
¥ 1.0
由于人类计算机相互作用的迅速发展，近年来，情感计算引起了越来越多的关注。在情绪识别中，脑电图（EEG）信号比其他生理实验更容易记录，并且不容易被伪装。由于脑电图数据的高维质和人类情绪的多样性，因此很难提取有效的脑电图并识别情绪模式。本文提出了一个多功能深森林（MFDF）模型，以识别人类的情绪。首先将EEG信号分为几个EEG频带，然后从每个频带中提取功率谱密度（PSD）和差分熵（DE），将原始信号作为特征提取。五个级别的情感模型用于标记五个情绪，包括中性，愤怒，悲伤，快乐和愉快。具有原始特征或尺寸减少了输入的特征，深层森林是为了对五个情绪进行分类的构建。这些实验是在公共数据集上进行的，用于使用生理信号（DEAP）进行情绪分析。将实验结果与传统的分类器进行了比较，包括K最近的邻居（KNN），随机森林（RF）和支持向量机（SVM）。MFDF的平均识别精度为71.05％，比RF，KNN和SVM高3.40％，8.54％和19.53％。此外，降低尺寸和原始脑电图信号后具有特征输入的精度分别仅为51.30和26.71％。这项研究的结果表明，该方法可以有效地有助于基于脑电图的情绪分类任务。
基于脑电图的情感识别的多功能输入深林
主要关键词
相关文件推荐
