XiaoMi-AI文件搜索系统
World File Search SystemDEAP
基于显著性的脑电情绪估计特征融合模型
摘要 — 在评估情绪的不同方式中，代表大脑电活动的脑电图 (EEG) 在过去十年中取得了令人鼓舞的成果。EEG 的情绪估计有助于某些疾病的诊断或康复。在本文中，我们提出了一个双重模型，考虑了 EEG 特征图的两种不同表示：1) 基于顺序的 EEG 频带功率表示，2) 基于图像的特征向量表示。我们还提出了一种创新方法，根据基于图像的模型的显着性分析来组合信息，以促进两个模型部分的联合学习。该模型已在四个公开可用的数据集上进行了评估：SEED-IV、SEED、DEAP 和 MPED。对于三个提出的数据集，所取得的结果优于最先进方法的结果，标准差较低，反映了更高的稳定性。为了可重复性，本文提出的代码和模型可在 https://github.com/VDelv/Emotion-EEG 获得。
基于深度学习的脑电图频谱图像情绪分类
摘要 社交机器人的情感建模具有巨大的潜力，可以通过提高沟通、护理和互动的效率来改善老年人和残疾人的生活质量。它可以帮助有沟通困难的人表达自己的情绪。它还可用于监测独居老人的情绪健康，并在出现痛苦迹象时提醒护理人员或家人。更广泛地说，情感建模对于设计越来越接近人类的机器人是必要的，这些机器人可以通过理解人类的行为和反应自然地与人类互动。在这里，我们提出了一种使用脑电图 (EEG) 信号进行情绪分类的深度学习技术。我们的目标是识别情绪效价、唤醒、支配和好感度。我们的技术使用头骨区域应用的 32 个电极中的每一个的频谱图。然后，我们使用 Resnet101 卷积神经网络来学习一个能够预测多种情绪的模型。我们在 DEAP 数据集上构建并测试了我们的模型。
通过通道注意力和自我注意力实现基于脑电图的情绪识别
摘要 —基于脑电图 (EEG) 的情绪识别是脑机接口领域的重要任务。最近，许多基于深度学习的情绪识别方法被证明优于传统方法。然而，提取用于脑电图情绪识别的判别性特征仍然具有挑战性，大多数方法忽略了通道和时间上的有用信息。本文提出了一种基于注意机制的卷积循环神经网络 (ACRNN)，以从脑电信号中提取更多判别性特征并提高情绪识别的准确性。首先，所提出的 ACRNN 采用通道注意机制来自适应地分配不同通道的权重，并使用 CNN 提取编码脑电信号的空间信息。然后，为了探索脑电信号的时间信息，将扩展的自注意力集成到 RNN 中，以根据脑电信号的内在相似性重新编码重要性。我们在 DEAP 和 DREAMER 数据库上进行了广泛的实验。实验结果表明，所提出的 ACRNN 优于最先进的方法。
1A-24自我管理教育修订日期
糖尿病门诊自我管理教育（DSME）是一个互动的，持续的过程，即教授糖尿病自我护理所需的知识，技能和能力。该过程结合了糖尿病受益人和经过认证的糖尿病教育者的需求，目标和生活经验，并以循证标准为指导。此过程包括：评估个人的特定教育需求； b。识别个人的特定糖尿病自我管理目标； c。教育和行为干预致力于帮助个人实现确定的自我管理目标； d。评估个人实现已确定的自我管理目标的评估。美国糖尿病协会（ERP）的国家标准和DSME的糖尿病教育认证计划（DEAP）旨在定义质量DSME并协助认证的糖尿病教育者提供基于证据的教育。糖尿病教育对于提高行为和心理策略并在文化上和适合年龄的计划进行利用个人和团体教育的计划时，有效地改善了临床结果和生活质量。
使用反向相关算法的自动脑电图选择的混合方法，以改善情绪分类
摘要：基于对增强人类计算机相互作用（HCI）和开发用于控制和监测应用的脑部计算机界面（BCI）的脑电图的兴趣日益增长，从EEG传感器中的有效信息检索非常重要。这是由于内部和外部伪像和生理干扰的噪声而难以理解的。可以通过选择应在进一步分析中考虑的功能来增强基于EEG的情绪识别过程。因此，EEG信号的自动特征选择是重要的研究领域。我们提出了一种多步混合方法，该方法结合了自动频带的反向相关算法 - 电极组合选择。我们的方法易于使用，并且显着将传感器的数量减少到只有三个通道。通过在DEAP数据集上执行的实验验证了所提出的方法。已经对两种情绪的准确性进行了评估 - 价值和唤醒。与其他研究相比，我们的方法获得了4.20–8.44％的分类结果。可以将其视为一种通用脑电信号分类技术，因为它属于无监督方法。
使用卷积的 MEG 驱动情绪分类...
本文提出了一种基于新型脑磁图 (MEG) 数据集 CiNet 的新型多通道情绪分类方法。本文属于脑机接口 (BCI) 研究领域，因为它使用大脑活动数据来识别人类情绪。它应该是一个有价值的贡献和对比，因为大多数 BCI 研究使用脑电图 (EEG) 数据，主要来自 DEAP 数据集。使用卷积神经网络 (CNN) 和循环神经网络 (RNN) 的组合，系统将分析高保真数据，以尝试识别受试者的情绪状态。CNN 对空间信息进行编码，而 RNN 跟踪随时间的变化。每个部分都单独评估，也结合评估，以确定每个分析方面的贡献。这些模型变体在原始 MEG 信号和从信号中提取的功率谱密度 (PSD) 上进行了评估。实验结果表明，最佳模型是在原始信号数据上训练的 CNN+RNN 组合，在效价/唤醒分类任务上实现了 56.5% 的平均准确率。
基于时空脑电图帧的胶囊神经网络实现跨对象情绪识别
头皮脑电图是头皮电位与时间的关系图，因此，由于电极在头皮上的位置，它可以捕获空间信息，以及脑电波变化的时间信息。在本文中，我们提出了一种新方法，通过将信号合并到稀疏的时空框架中来组合表示空间和时间信息，以便计算机视觉领域的深度学习算法可以轻松地对其进行处理。在脑电图情绪识别设置中，还定义了模型对测试数据的熟悉度，并引入了一种数据拆分形式，使得模型必须在熟悉度最低的集合上执行。在 DEAP 数据集上训练 CapsNet 架构以执行跨主题二元分类任务，并分析了使用贝叶斯优化对超参数的调整。该模型报告称，对于 LOO 主题，最佳情况准确率为 0.85396，平均情况准确率为 0.57165，对于未见主题-未见记录分类，最佳情况准确率为 1.0，平均情况准确率为 0.51071，这与其他文献报告的结果相当。
通过AUC进行脑电图情绪识别...
不平衡的数据集对神经科学、认知科学和医学诊断等领域构成了重大挑战，在这些领域中，准确检测少数类别对于稳健的模型性能至关重要。本研究以 DEAP 数据集中的“喜欢”标签为例，解决了类别不平衡问题。这种不平衡经常被先前的研究忽视，这些研究通常侧重于更平衡的唤醒和效价标签，并主要使用准确度指标来衡量模型性能。为了解决这个问题，我们采用了旨在最大化曲线下面积 (AUC) 的数值优化技术，从而增强了对代表性不足的类别的检测。我们的方法从线性分类器开始，与传统的线性分类器（包括逻辑回归和支持向量机 (SVM)）进行了比较。我们的方法明显优于这些模型，召回率从 41.6% 提高到 79.7%，F1 分数从 0.506 提高到 0.632。这些结果强调了通过数值优化实现 AUC 最大化在管理不平衡数据集中的有效性，为提高在样本外数据集中检测少数但关键类别的预测准确性提供了有效的解决方案。
使用...
抽象背景：诊断情绪状态将改善人类计算机的互动（HCI）系统在实践中更有效。脑电图（EEG）信号和情绪之间的相关性在各种研究中都显示出来；因此，基于EEG信号的方法是最准确和最有用的方法。方法：在这项研究中，适用于处理EEGNET，ShallowConvnet和DeepConvnet的三个卷积神经网络（CNN）模型适用于处理EEG信号，用于诊断情绪。我们使用基线去除预处理来提高分类精度。每个网络以两种方式进行评估：主题依赖性和主题无关。我们将选定的CNN模型改进，以在Raspberry Pi处理器上轻巧且可实现。在嵌入式系统上每三秒钟接收的信号时，情绪状态被确认，可以在实践中实时使用。结果：价值依赖性的平均分类精度为99.10％，唤醒的平均分类精度为99.20％，价为90.76％，在众所周知的DEAP数据集中获得了独立的唤醒的90.94％。结论：将结果与相关工作的比较表明，实践已经实现了高度准确且可实施的模型。
使用组合通道编码和细胞自动机的超维计算实现高效的情绪识别
摘要 本文提出了一种基于高效受脑启发的超维计算 (HDC) 范式的硬件优化情绪识别方法。情绪识别为人机交互提供了宝贵的信息；然而，情绪识别涉及的大量输入通道 (> 200) 和模态 (> 3) 从内存角度来看非常昂贵。为了解决这个问题，提出了减少和优化内存的方法，包括一种利用编码过程的组合性质的新方法和一个基本的细胞自动机。与所提出的技术一起实施了具有早期传感器融合的 HDC，在多模态 AMIGOS 和 DEAP 数据集上实现了两类多模态分类准确率，效价 > 76%，唤醒 > 73%，几乎总是比最先进的技术更好。所需的矢量存储无缝减少了 98%，矢量请求的频率减少了至少 1/5。结果证明了高效超维计算在低功耗、多通道情绪识别任务中的潜力。关键词：脑启发、超维计算、情绪识别、可穿戴、内存优化、硬件高效、多模态传感器融合