机构名称：
¥ 1.0
情绪的反映有两种，包括外部反应和内部反应：外部反应包括人的面部表情、手势或言语等；内部反应包括皮肤电反应、心率、血压、呼吸频率、脑电图（EEG）、脑电图（EOG）（Yu et al., 2019）、脑磁图（MEG）（Christian et al., 2014）。从神经科学的角度（Lotfiand Akbarzadeh-T., 2014）发现，大脑皮层的主要区域与人的情绪密切相关（Britton et al., 2006; Etkin et al., 2011; Lindquist and Barrett, 2012），这启发我们通过在头皮上放置脑电电极来收集脑电信号，记录大脑的神经活动，从而识别人的情绪。脑电信号蕴含着情绪信息，近年来在情绪识别领域得到了广泛的应用（Soroush et al.，2017；Sulthan et al.，2018；Alarcao and Fonseca，2019）。在传统的脑电情绪识别过程中，特征提取是至关重要的步骤。如图1所示，在对脑电信号进行预处理后，通常需要从原始脑电信号中提取特征，然后输入到网络进行分类识别（Duan et al.，2013；Chen et al.，2021；Ma et al.，2021）。Duan等（2013）提出了五频带的差分熵（DE）特征，并利用DE特征获得了满意的分类结果。Li et al. (2019) 利用短时傅里叶变换提取时频特征，计算 theta、alpha、beta、gamma 波段的功率谱密度 (PSD) 特征，并使用 LSTM 进行情绪判别，取得了显著的分类结果。马等 (2021) 提出了一种甲虫天线搜索 (BAS) 算法，该算法在三个不同波段和六个通道中提取三个不同的特征，并采用 SVM 分类器进行分类。与传统 SVM 方法相比，BAS-SVM 方法的分类准确率提高了 12.89%。近年来，深度学习方法被广泛应用于情绪识别 (Jia et al.，2020a；Li et al.，2020；Zhou et al.，2021)。宋等 (2021) (2018) 根据电极位置设计 DE 特征，并使用图卷积神经网络 (GCNN) 作为分类器。张等 (2019) 创新性地将从脑电数据集中提取的 DE 特征与从面部表情数据集中提取的特征相结合，构建了时空循环神经网络 (STRNN) 用于情绪识别。李等 (2018) 提出了一种双半球域对抗神经网络 (BiDANN)，以 DE 作为输入特征，在 SEED 数据集上进行了受试者相关和受试者独立的实验，取得了相对最佳的性能。郝等 (2021) 提出了一种提取 PSD 特征作为输入的轻量级卷积神经网络，并在 DEAP 数据集上进行了实验，分别取得了 82.33 和 75 的成绩。Valance 和 Arousal 分别为 46%。Chen 等人 (2021) 提出了一种集成胶囊卷积神经网络 (CapsNet)，该网络使用小波包变换 (WPT) 进行特征提取。平均
E2ENNet：用于情感脑机接口的端到端神经网络
主要关键词
相关文件推荐
