基于哲学的脑电图(EEG)信号数据处理是一种跨学科方法,可以在理解大脑功能方面开辟新的观点。在这种情况下,有必要从技术或生物学的角度检查数据,并考虑其形而上学,认识论和本体论方面。本体论是形而上学的一个分支,涉及对象和根据形而上学(甚至物理)理论,其特性及其关系而存在的对象类型。本文试图基于本体论来提供科学的哲学观点,用于处理脑电图数据,其数据源是脑波。通过使用人工神经网络(ANN)分类的试验结果,获得了46.73的精度值。卷积神经网络(CNN)算法也可以用于处理脑电图数据以确定一个人的情绪水平;这在先前的研究中已经证明了这一点。尽管情绪识别的总体准确性已大大提高,但在DEAP和Dreamer数据集中有几个问题导致了较低的精度。也使用CNN进行了其他实验,实验结果表明,与情绪相关的通道的重量大于不同通道。连续胶囊网络(CCN)和深神经网络(DNN)算法也可以用于处理脑电图信号数据以确定情绪水平。
最新脑机接口的目的是通过为每个受试者定制识别器来实现准确的情绪识别。在机器学习领域,基于图的半监督学习 (GSSL) 因其直观且在情绪识别方面具有良好的学习性能而受到越来越多的关注。然而,现有的 GSSL 方法对噪声或基于异常脑电图 (EEG) 的数据很敏感或不够稳健,因为每个受试者在相同场景中可能呈现噪声或异常 EEG 模式。为了解决这个问题,在本文中,我们发明了一种基于 EEG 的情绪识别的可能性聚类促进半监督学习方法。具体而言,它限制每个实例具有与其局部加权均值相同的标签成员值,以提高识别方法的可靠性。另外,在目标函数中引入了关于模糊熵的正则化项,通过增加样本判别信息量来增强隶属函数的泛化能力,提高了方法对噪声和异常值的鲁棒性。在三个真实数据集(即DEAP、SEED和SEED-IV)上的大量实验结果表明,所提方法提高了基于脑电信号的情绪识别的可靠性和鲁棒性。
认识到脑电图中的情绪(EEG)是情感脑部计算机界面(ABCI)领域中有前途且宝贵的研究问题。为提高情绪识别的准确性,根据脑电图信号中的时间信息提出了一种情感特征提取方法。这项研究采用微晶格分析作为脑电图信号的时空分析。微骨被定义为一系列瞬时准稳定的头皮电势地形。脑电活动可以建模为由微骨的时间序列组成。微晶序序列提供了一个理想的宏观窗口,用于观察自发脑活动的时间动力学。为了进一步分析微晶序列的精细结构,我们提出了一种基于K-MER的特征提取方法。k-mer是给定序列的k长度底带。它已被广泛用于计算基因组学和序列分析。我们提取基于K-MER的D 2 *统计量的功能。此外,我们还提取每个微晶体类别的四个参数(持续时间,出现,时间覆盖,GEV,GEV)作为粗级的特征。我们在DEAP数据集上进行了实验,以评估所提出的特征的性能。实验结果表明,在细水平和粗糙水平上的特征融合可以有效提高分类精度。
摘要。在机器学习 (ML) 文献中,一个众所周知的问题是数据集转移问题,与 ML 标准假设不同,训练和测试集中的数据可以遵循不同的概率分布,导致 ML 系统的泛化性能较差。这个问题在脑机接口 (BCI) 环境中尤为明显,其中经常使用脑电图 (EEG) 等生物信号。事实上,EEG 信号随时间和不同受试者之间的变化都非常不稳定。为了解决这个问题,提出了几种基于最新迁移学习方法(如域自适应 (DA))的解决方案。然而,在一些情况下,改进的实际原因仍然不明确。本文重点关注数据规范化或与 DA 方法一起应用的标准化策略的影响。具体来说,使用 SEED、DEAP 和 BCI Competition IV 2a EEG 数据集,我们通过实验评估了使用和不使用几种知名 DA 方法时不同规范化策略的影响,并比较了获得的性能。结果表明,规范化策略的选择对 DA 场景中的分类器性能起着关键作用,有趣的是,在一些情况下,仅使用适当的规范化方案就能胜过 DA 技术。
摘要:使用端到端卷积神经网络 (ConvNet) 的深度学习已应用于多种基于脑电图 (EEG) 的脑机接口任务,以提取特征图并对目标输出进行分类。然而,EEG 分析仍然具有挑战性,因为它需要考虑影响提取特征表征能力的各种架构设计组件。本研究提出了一种基于 EEG 的情绪分类模型,称为多核时空卷积网络 (MultiT-S ConvNet)。该模型使用多尺度核来学习各种时间分辨率,并应用可分离卷积来查找相关的空间模式。此外,我们使用轻量级门控机制增强了时间和空间滤波器。为了验证 MultiT-S ConvNet 的性能和分类准确性,我们在基于 EEG 的情绪数据集 DEAP 和 SEED 上进行了受试者相关和受试者无关的实验。与现有方法相比,MultiT-S ConvNet 具有更高的准确度结果和一些可训练参数。此外,所提出的时间滤波多尺度模块能够提取广泛的 EEG 表征,涵盖短波长到长波长的成分。该模块可进一步应用于任何基于 EEG 的卷积网络模型,其能力有望提高模型的学习能力。
摘要 - 高时间分辨率和不对称空间激活是大脑中脑电图(EEG)的基本属性。为了学习脑电图对准确和普遍的情绪识别的时间动态和空间不对称性,我们提出了Tsception,这是一种多尺度的卷积神经网络,可以从EEG分类情绪。tsception由动态时间,不对称空间和高级融合层组成,它们同时学习时间和通道尺寸。动态时间层由多尺度的1D卷积内核组成,其长度与EEG的采样率有关,EEG学习了EEG的动态时间和频率表示。不对称的空间层利用了情绪的不对称脑电图模式,学习歧视性的全球和半球表示。学习的空间表示将被高级融合层融合。使用更广泛的交叉验证设置,在两个公开可用的数据集DEAP和MAHNOB-HCI上评估了所提出的方法。将所提出的网络的性能与先前报道的方法(例如SVM,KNN,FBFGMDM,FBTSC,无监督学习,DeepConvnet,ShallowConvnet和Eegnet)进行了比较。tsception达到了更高的分类精度和F1评分。这些代码可在以下网址提供:https://github.com/yi-ding-cs/tseption
音乐是唤起人类情感的主要方式之一。但是,音乐的感觉是主观的,这使得确定哪些情感音乐在给定的人中触发了哪些情感。为了正确识别由不同类型的音乐引起的情绪问题,我们首先创建了一个脑电图(EEG)数据集,该数据集受到四种不同类型的音乐(恐惧,幸福,镇定和悲伤)的刺激。其次,提取了脑电图的差分熵特征,然后建立了情绪识别模型CNN-SA-BILSTM以提取EEG的时间特征,并通过使用自我关注机制的全球感知能力来提高模型的识别性能。通过消融实验进一步验证了模型的有效性。该方法在价和唤醒维度中的分类准确性分别为93.45%和96.36%。通过将我们的方法应用于公开可用的EEG数据集DEAP,我们评估了方法的概括和可靠性。此外,我们还进一步研究了不同的脑电带和多波段组合对音乐情绪识别的影响,结果结果证实了相关的神经科学研究。与其他代表性的音乐情感识别作品相比,该方法具有更好的分类性能,并为基于大脑计算机界面的情感识别系统的未来研究提供了有希望的框架。
由于人类情绪的复杂性,不同的情绪特征之间存在一定的相似性,现有的情绪识别方法存在特征提取困难、准确率不高的问题,为此提出一种基于双向长短期记忆和注意机制的表情脑电多模态情绪识别方法。首先基于双线性卷积网络(BCN)提取面部表情特征,将脑电信号变换为三组频带图像序列,利用BCN对图像特征进行融合,得到表情脑电多模态情绪特征。然后通过带有注意机制的长短期记忆在时序建模过程中提取重要数据,有效避免采样方法的随机性或盲目性。最后,设计一种具有三层双向长短期记忆结构的特征融合网络,将表情与脑电特征进行融合,有助于提高情绪识别的准确率。在MAHNOB-HCI和DEAP数据集上,基于MATLAB仿真平台对所提方法进行测试。实验结果表明,注意机制可以增强图像的视觉效果;且与其他方法相比,所提方法可以更有效地从表情和脑电信号中提取情感特征,情绪识别的准确率更高。
摘要 — 高时间分辨率和不对称空间激活是脑电图 (EEG) 的基本属性,是大脑情绪过程的基础。为了学习 EEG 的时间动态和空间不对称性以实现准确和广义的情绪识别,我们提出了 TSception,这是一种可以从 EEG 中对情绪进行分类的多尺度卷积神经网络。TSception 由动态时间、不对称空间和高级融合层组成,它们同时学习时间和通道维度中的判别表示。动态时间层由多尺度 1D 卷积核组成,其长度与 EEG 的采样率有关,它学习 EEG 的动态时间和频率表示。不对称空间层利用情绪的不对称 EEG 模式,学习判别性全局和半球表示。学习到的空间表示将由高级融合层融合。使用更通用的交叉验证设置,在两个公开可用的数据集 DEAP 和 MAHNOB-HCI 上评估所提出的方法。将所提出的网络的性能与 SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet 和 EEGNet 等先前报告的方法进行了比较。在大多数实验中,TSception 的分类准确率和 F1 分数高于其他方法。代码可在以下位置获得:https://github.com/yi-ding-cs/TSception
新兴证据强调了心脏和大脑动态之间的双向、复杂和非线性交流。虽然一些研究已经应用人工智能根据静态 EEG 和 PPG 特征来区分和分类情绪,但很少有研究关注不同情绪状态下这些相互作用的网络元素。本研究使用来自 DEAP 数据集的数据(其中包括参与者观看情感唤起音乐视频时记录的 EEG 和 PPG 信号),应用了一种新颖的网络分析方法来研究大脑节律和 PPG 特征(幅度、峰峰间隔和脉冲宽度幅度)之间的动态相互作用。部分互相关的时间延迟稳定性用于识别情绪状态。在情感状态下,EEG 节律与 PWA 和 PPI 之间存在显着相关性(p <0.05)。然而,PPI 或 PWA 影响 EEG 波段的反向关系并不显着。此外,PPG 振幅与 EEG 节律之间的相关性(反之亦然)并未显著区分情感状态,这表明 PPG 振幅对情绪状态的指示性不如 PPI 或 PWA。研究结果确立了 EEG-PWA 和 EEG-PPI 连接是情感状态的可靠指标,并为开发可解释的基于图的情绪识别系统提供了见解。