XiaoMi-AI文件搜索系统
World File Search SystemDEAP
超越模仿未被充分表现的情绪：利用情绪子空间约束进行深度数据增强以实现基于脑电图的情绪识别
近年来，使用脑电图 (EEG) 识别情绪引起了广泛关注。尽管取得了进展，但有限的 EEG 数据限制了它的潜力。因此，生成对抗网络 (GAN) 被提出来模仿观察到的分布并生成 EEG 数据。然而，对于不平衡的数据集，GAN 仅通过模仿代表性不足的少数情绪就难以产生可靠的增强。因此，我们引入了情绪子空间约束的生成对抗网络 (ESC-GAN) 作为现有框架的替代方案。我们首先提出 EEG 编辑范式，将参考 EEG 信号从代表性良好的情绪子空间编辑到代表性不足的情绪子空间。然后，我们引入多样性感知和边界感知损失来约束增强子空间。在这里，多样性感知损失通过扩大样本差异来鼓励多样化的情感子空间，而边界感知损失将增强子空间限制在决策边界附近，而识别模型可能在此受到攻击。实验表明，ESC-GAN 提高了基准数据集 DEAP、AMIGOS 和 SEED 上的情感识别性能，同时防止了潜在的对抗性攻击。最后，所提出的方法为在情感子空间约束下编辑 EEG 信号开辟了新途径，促进了无偏且安全的 EEG 数据增强。
从 EEG 中捕捉时间动态和空间不对称......
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
多 C-EEG--胶囊.pdf
近年来，深度学习 (DL) 技术，尤其是卷积神经网络 (CNN)，在基于脑电图 (EEG) 的情绪识别中显示出巨大的潜力。然而，现有的基于 CNN 的 EEG 情绪识别方法通常需要相对复杂的特征预提取阶段。更重要的是，CNN 不能很好地表征不同通道的 EEG 信号之间的内在关系，而这本质上是识别情绪的关键线索。在本文中，我们提出了一种有效的多级特征引导胶囊网络 (MLF-CapsNet) 用于基于多通道 EEG 的情绪识别，以克服这些问题。MLF-CapsNet 是一个端到端框架，可以同时从原始 EEG 信号中提取特征并确定情绪状态。与原始 CapsNet 相比，它在形成主要胶囊时结合了不同层学习到的多级特征图，从而可以增强特征表示能力。此外，它使用瓶颈层来减少参数量并加快计算速度。我们的方法在 DEAP 数据集的效价、唤醒度和支配度上分别达到了 97.97%、98.31% 和 98.32% 的平均准确率，在 DREAMER 数据集的效价、唤醒度和支配度上分别达到了 94.59%、95.26% 和 95.13% 的平均准确率。这些结果表明我们的方法比最先进的方法具有更高的准确率。
基于变压器和CNN的情绪分类，用于EEG时空特征学习
摘要：目标：脑电图（EEG）信号的时间和空间信息对于识别情绪分类模型中的特征至关重要，但它过分依赖于手动特征提取。变压器模型具有执行自动特征提取的能力；但是，在与情绪相关的脑电图信号的分类中尚未完全探索其潜力。为了应对这些挑战，本研究提出了一个基于脑电图和卷积神经网络（TCNN）的新型模型，用于EEG时空 - 静态（EEG ST）特征学习以自动情感分类的特征。方法：所提出的EEG ST-TCNN模型利用了编码（PE）的位置（PE），并注意EEG信号中感知的通道位置和定时信息。模型中的两个平行变压器编码器用于从与情绪相关的EEG信号中提取空间和时间特征，并且使用CNN来汇总脑电图的空间和时间特征，随后使用SoftMax对其进行分类。结果：拟议的EEG ST-TCNN模型在种子数据集上的准确度分别为96.67％，精度为95.73％，96.95％和96.34％的精度，唤醒，唤醒，唤醒和价尺寸的精度为96.34％。结论：结果证明了所提出的ST-TCNN模型的有效性，与最近的相关研究相比，情绪分类的表现出色。意义：拟议的EEG ST-TCNN模型有可能用于基于EEG的自动情绪识别。
一种利用深度特征聚类进行情绪识别特征选择的创新多模型神经网络方法
摘要：情绪意识感知是一个正在迅速发展的领域，它可以实现人与机器之间更自然的互动。脑电图 (EEG) 已成为一种测量和跟踪用户情绪状态的便捷方式。EEG 信号的非线性特性会产生高维特征向量，从而导致高计算成本。本文使用深度特征聚类 (DFC) 结合多个神经网络的特征来选择高质量属性，而不是传统的特征选择方法。DFC 方法通过省略不可用的属性来缩短网络的训练时间。首先，将经验模态分解 (EMD) 作为一系列频率应用来分解原始 EEG 信号。在使用解析小波变换 (AWT) 进行特征提取过程之前，将分解后的 EEG 信号的时空分量表示为二维频谱图。使用四个预训练的深度神经网络 (DNN) 来提取深度特征。利用基于差分熵的 EEG 通道选择和 DFC 技术实现降维和特征选择，该技术使用 k 均值聚类计算一系列词汇。然后从一系列视觉词汇项目中确定直方图特征。SEED、DEAP 和 MAHNOB 数据集的分类性能与 DFC 的功能相结合表明，所提出的方法在短处理时间内提高了情绪识别的性能，并且比最新的情绪识别方法更具竞争力。
使用修改的浮雕和简化基于CNN的深度学习的跨主题渠道选择基于EEG的情绪识别
基于脑电图的抽象情绪识别已在许多研究中实施。在其中大多数中，都有两种观察结果：首先，广泛的实现与执行的验证负相关。跨主体验证比受试者依赖性验证更加困难，因为域移位引起的脑电图记录之间的差异很高。第二，大量通道需要广泛的计算。减少通道的努力会因频道数量减少而阻碍。因此，需要一种有效的减少渠道的方法来维持性能。在本文中，我们提出了基于功率频谱密度比与浮雕方法结合的功率频谱密度比，以尺度图，CNN和通道选择的形式进行对2D EEG输入的合作。功率比来自功率频段的功率谱密度。基于各种条件的试验选择，提出的比例图和PR浮雕（功率比率）的协作产生了稳定的分类率。进行分析，已经采用了生理信号情绪分析的数据库（DEAP）。实验结果表明，该提出的方法使用10个通道的价为2.71％和唤醒的1.96％提高了跨受试者情绪识别的准确性。使用10个通道来依赖受试者验证，价和唤醒类别的功效分别增加了2.41％和1.2％。因此，通过在输入解释和稳定的渠道选择方法之间进行协作，提出的协作方法取得了更好的结果。
基于深度学习的情绪识别方法，使用脑电图 (EEG) 信号，采用双向长短期记忆 (Bi-LSTM)
摘要：情绪是人类日常交流的重要组成部分。脑电图 (EEG) 信号可将大脑的情绪状态和动态联系起来，脑机接口 (BCI) 可利用这些信号提供更好的人机交互。在情绪识别领域已经进行了一些研究。然而，使用 EEG 信号的情绪识别过程面临的最重要问题之一是识别的准确性。本文提出了一种基于深度学习的通过 EEG 信号进行情绪识别的方法，包括数据选择、特征提取、特征选择和分类阶段。这项研究服务于医学领域，因为情绪识别模型有助于诊断心理和行为障碍。这项研究有助于提高情绪识别模型的性能，以获得更准确的结果，进而有助于做出正确的医疗决策。这项工作使用了标准的预处理生理信号情绪分析数据库 (DEAP)。从数据集中提取了统计特征、小波特征和赫斯特指数。特征选择任务通过二进制灰狼优化器实现。在分类阶段，使用堆叠双向长短期记忆 (Bi-LSTM) 模型来识别人类情绪。本文将情绪分为三大类：唤醒、效价和喜好。与过去研究中使用的方法相比，所提出的方法实现了较高的准确率，效价、唤醒和喜好的平均准确率分别为 99.45%、96.87% 和 99.68%，这被认为是情绪识别模型的高性能。
教育培训人工智能研讨会
2021-2027 年数字教育行动计划 (DEAP) 是一项更新的欧盟 (EU) 政策倡议，它提出了欧洲高质量、包容性和可及性数字教育的共同愿景，旨在支持成员国的教育和培训系统适应数字时代。它呼吁在欧洲层面加强数字教育合作，并确定了两个战略重点：1) 促进高性能数字教育生态系统的发展；2) 提高数字技能和能力以实现数字化转型。近年来，数字化转型发展最快的领域之一与人工智能有关。人工智能 (AI) 的快速和广泛应用无疑为我们社会和经济的数字化转型开启了新篇章。人工智能的应用在教育和培训中显而易见：学生使用人工智能工具通过自动总结来简化他们的研究和学习过程，通过人工智能生成的模拟和可视化探索复杂的概念，并通过在解决问题的场景中使用人工智能来培养批判性思维技能。人工智能有望改变我们的教学、学习和评估方式。人工智能的出现对教师和教育工作者提出了新的要求，这些要求源于这些工具的充分性和附加值，以及需要解决学习者对人工智能的使用（和误用）。因此，重要的是要了解教师和教育工作者希望如何使用人工智能进行教学和评估，以及他们认为这项新技术及其相关实践带来哪些好处、挑战和道德影响，以及需要哪些支持才能有目的地、安全地将人工智能融入教育和培训中。
AMDET：基于注意力机制的多维 EEG 变换器，用于情绪识别
摘要：情感计算是人工智能的一个重要分支，随着脑机接口技术的快速发展，基于脑电信号的情绪识别受到广泛关注。尽管目前已经出现了大量深度学习方法，但有效挖掘脑电数据中的多维信息仍然是一个巨大的挑战。本文提出了一种基于注意的多维脑电变换器（AMDET）深度模型，该模型利用多维全局注意机制，充分利用脑电数据的频谱-空间-时间特征之间的互补性。我们将原始脑电数据转换为 3D 时间-频谱-空间表示，然后 AMDET 将使用频谱-空间变换器编码层提取脑电信号中的有效特征，并通过时间注意层集中在关键时间帧上。我们对 DEAP、SEED 和 SEED-IV 数据集进行了广泛的实验，以评估 AMDET 的性能，结果在三个数据集上均优于最先进的基线。在 DEAP-Arousal、DEAP-Valence、SEED 和 SEED-IV 数据集中分别实现了 97.48%、96.85%、97.17%、87.32% 的准确率。我们还进行了广泛的实验，探索可能影响情绪和 EEG 信号耦合的大脑区域。值得注意的是，即使只有少数通道，AMDET 也能表现良好，这些通道是通过可视化训练模型所学内容来识别的。即使只有八个通道，准确率也可以达到 90% 以上，这对实际应用非常有用和有益。
基于脑电图的情感识别的多功能输入深林
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。