摘要。情感识别是情感计算的一个分支,在过去几十年中引起了极大的关注,因为它可以实现更自然的脑部计算机界面系统。脑电图(EEG)已被证明是情绪识别的有效方式,可以跟踪和记录用户情感状态,尤其是对于原始的情感事件(例如唤醒和价值)。尽管已经显示出大脑信号与情绪状态相关,但提出的模型的有效性在某种程度上受到限制。挑战是提高准确性,同时适当提取有价值的功能可能是成功的关键。本研究提出了一个基于结合分形维度和递归特征消除方法的框架,以增强基于EEG的情绪识别的准确性。要提取和使用基于频谱的分形尺寸和基于光谱的特征,以更准确地识别。递归功能消除将用作特征选择方法,而情绪的分类将由支持向量机(SVM)算法进行。将使用广泛使用的公共数据库测试所提出的框架,与其他研究相比,结果有望证明其准确性和鲁棒性更高。这项研究的贡献主要是关于改善基于脑电图的情绪分类精度。潜在的限制对结果的通用性可能是不同的,因为不同的脑电图数据集可能会为同一框架产生不同的结果。因此,尝试不同的EEG数据集并测试替代特征选择方案对于将来的工作非常有趣。
摘要:人们已经对眼球运动及其作为眼部伪影 (OA) 对脑电图 (EEG) 记录的贡献进行了深入研究。然而,它们的存在通常被认为会妨碍分析。一种被广泛接受的绕行方法是避免伪影。OA 处理通常简化为拒绝受污染的数据。为了克服数据丢失和行为限制,研究小组提出了各种校正方法。最先进的方法是数据驱动的,通常要求 OA 与大脑活动不相关。这对于视觉运动任务并不一定成立。为了防止相关信号,我们研究了一种双块方法。在第一个块中,受试者根据视觉引导范式进行扫视和眨眼。然后,我们为这些数据拟合了 5 种伪影去除算法。为了测试它们在伪影衰减和大脑活动保存方面的平稳性,我们在一小时后记录了第二个块。我们发现,扫视和眨眼仍可减弱到偶然水平,而休息试验期间的大脑活动仍可保留。