摘要:脑电信号被广泛应用于情绪识别,但目前基于脑电信号的情绪识别准确率较低,实时性受到限制。针对这些问题,本文提出了一种改进的特征选择算法来基于脑电信号识别受试者的情绪状态,并结合该特征选择方法设计了一种在线情绪识别脑机接口系统。具体而言,首先提取时域、频域、时频域不同维度的特征;然后采用改进的多阶段线性递减惯性权重(MLDW)粒子群优化(PSO)方法进行特征选择。MLDW算法可以很容易地优化惯性权重的递减过程;最后采用支持向量机分类器对情绪类型进行分类。我们从32名受试者采集的DEAP数据集中的脑电数据中提取了不同的特征,进行了两次离线实验,结果表明四类情绪识别的平均准确率达到了76.67%。与最新基准相比,我们提出的MLDW-PSO特征选择提高了基于脑电的情绪识别的准确率。为了进一步验证MLDW-PSO特征选择方法的有效性,我们开发了一个基于中文视频的在线二类情绪识别系统,对10名健康受试者取得了良好的效果,平均准确率达到了89.5%。证明了我们方法的有效性。
摘要 —EEG 信号是复杂的低频信号。因此,它们很容易受到外界因素的影响。EEG 伪影去除在神经科学中至关重要,因为伪影会对 EEG 分析结果产生重大影响。在这些伪影中,眼部伪影的去除最具挑战性。在本研究中,通过开发基于双向长短期记忆 (BiLSTM) 的深度学习 (DL) 模型,提出了一种新颖的眼部伪影去除方法。我们通过结合 EEGdenoiseNet 和 DEAP 数据集创建了一个基准数据集来训练和测试所提出的 DL 模型。我们还通过在不同 SNR 水平下用 EOG 污染地面真实干净的 EEG 信号来增强数据。然后使用通过小波同步压缩变换 (WSST) 获得的高度局部化时频 (TF) 系数将 BiLSTM 网络馈送到从增强信号中提取的特征。我们还将基于 WSST 的 DL 模型结果与传统 TF 分析 (TFA) 方法,即短时傅里叶变换 (STFT) 和连续小波变换 (CWT) 以及增强原始信号进行了比较。首次提出的基于 BiLSTM 的 WSST-Net 模型获得了 0.3066 的最佳平均 MSE 值。我们的结果表明,与传统 TF 和原始信号方法相比,WSST-Net 模型显著提高了伪影去除性能。此外,所提出的 EOG 去除方法表明,它优于文献中许多传统和基于 DL 的眼部伪影去除方法。索引词 —EEG、眼部伪影、深度学习、LSTM、BiLSTM、WSST、STFT、CWT。
摘要:准确识别人类的情绪状态对于高效的人机交互 (HRI) 至关重要。因此,我们见证了人们在开发基于各种生物信号的稳健且准确的脑机接口模型方面所做的大量研究。特别是,先前的研究表明,脑电图 (EEG) 可以深入了解情绪状态。最近,研究人员提出了各种手工制作的深度神经网络 (DNN) 模型来提取与情绪相关的特征,这些模型对噪声的鲁棒性有限,从而导致精度降低和计算复杂度增加。迄今为止开发的 DNN 模型被证明可有效提取与情绪分类相关的稳健特征;然而,它们巨大的特征维数问题导致了高计算负荷。在本文中,我们提出了一个混合深度特征袋 (BoHDF) 提取模型,用于将 EEG 信号分类到各自的情绪类别中。通过在特征提取阶段之前将 EEG 信号转换为 2D 频谱图,BoHDF 的不变性和鲁棒性得到进一步增强。这种时频表示与 EEG 模式的时变行为非常吻合。在这里,我们建议将 GoogLeNet 全连接层(最简单的 DNN 模型之一)的深度特征与我们最近开发的基于纹理的 OMTLBP_SMC 特征相结合,然后使用 K 最近邻 (KNN) 聚类算法。在 DEAP 和 SEED 数据库上进行评估时,所提出的模型分别实现了 93.83% 和 96.95% 的识别准确率。使用所提出的基于 BoHDF 的算法的实验结果显示,与之前报道的具有类似设置的工作相比,性能有所提高。
具有消费级EEG设备的基于EEG的实时情感识别(EEG-ER)涉及使用减少的渠道进行情绪进行分类。这些设备通常只提供四个或五个通道,与大多数当前最新研究中通常使用的大量通道(32或更多)不同。在这项工作中,我们建议使用离散小波变换(DWT)提取时频域特征,并且我们使用几秒钟的时间窗口来执行eeg-er-ers分类。该技术可以实时使用,而不是在整个会话后数据后使用。我们还将在先前研究中开发的基线去除预处理应用于我们提出的DWT熵和能量特征,从而显着提高了分类精度。我们考虑两个不同的分类架构,一个3D卷积神经网络(3D CNN)和一个支持向量机(SVM)。我们在主题独立和依赖于主题的设置上评估了这两个模型,以对个人情绪状态的价和唤醒维度进行分类。我们对DEAP数据集提供的完整32通道数据以及同一数据集的5通道提取物进行了测试。SVM模型在所有提出的场景中表现最佳,对于整个32渠道主体依赖性案例的价准确度为95.32%,唤醒的精度为95.68%,击败了先前的实时EEG-EEG-EEG-EEG-EEG依赖性依赖性基准。也获得了与受试者的情况下的价准确度为80.70%,唤醒的精度为81.41%。将输入数据降低到5个通道仅在所有情况下平均将精度降低3.54%,从而使该模型适合与更易于访问的低端EEG设备一起使用。
摘要 - 基于EEG的神经网络,医学诊断和脑部计算机界面的关键,由于依赖敏感的神经生理数据和资源密集型发展,面临着重要的知识产权(IP)风险。当前的水印方法,尤其是使用抽象触发器集的方法,缺乏强大的身份验证,并且无法解决EEG模型的独特挑战。本文介绍了针对基于EEG的神经网络量身定制的基于密码的Wonder滤清器水印框架。利用抗碰撞的哈希功能和所有者的私钥,Wonder Filter在训练过程中嵌入了位水印,可确保最小的失真(EEG任务准确性下降5%)和高可靠性(100%水印检测)。该框架是针对对抗性攻击的严格评估,包括微调,转移学习和神经元修剪。的结果表明,即使在积极的修剪后,水印状态的分类准确性仍然超过90%,而主要的任务绩效降低了速度,却阻止了去除尝试的速度。盗版性耐药性通过无法嵌入次级水印而没有严重准确性损失(在EEGNET和CCNN模型中> 10%)来验证。加密散列可确保身份验证,从而降低了蛮力攻击成功概率。在DEAP数据集上进行了跨模型(CCNN,EEGNET,TSEPTION)的评估,该方法达到了> 99。4%的无效剂量准确性,有效地消除了误报。通过将Wonder过滤器与EEG特异性改编整合在一起,这项工作弥合了神经生理模型的IP保护方面的关键差距,为医疗保健和生物识别应用提供了安全的,防篡改的解决方案。该框架针对对抗性修饰的鲁棒性强调了其在维护诊断效用的同时维护敏感的脑电图模型的潜力,从而促进了对AI驱动的生物医学技术的信任。
摘要 目的. 脑电图 (EEG) 情绪识别中的数据稀缺问题导致难以使用机器学习算法或深度神经网络构建高精度的情感模型。受新兴深度生成模型的启发,我们提出了三种增强 EEG 训练数据的方法,以提高情绪识别模型的性能。方法. 我们提出的方法基于两个深度生成模型,变分自编码器 (VAE) 和生成对抗网络 (GAN),以及两种数据增强方式,即全部使用和部分使用策略。对于全部使用策略,所有生成的数据都会被增强到训练数据集中,而不会判断生成数据的质量;而对于部分使用策略,仅选择高质量数据并附加到训练数据集。这三种方法称为条件 Wasserstein GAN (cWGAN)、选择性 VAE (sVAE) 和选择性 WGAN (sWGAN)。主要结果. 为了评估这些提出方法的有效性,我们对两个用于情绪识别的公共 EEG 数据集(即 SEED 和 DEAP)进行了系统的实验研究。我们首先以两种形式生成逼真的脑电图训练数据:功率谱密度和差分熵。然后,我们用不同数量的生成逼真的脑电图数据扩充原始训练数据集。最后,我们训练支持向量机和具有快捷层的深度神经网络,使用原始和扩充的训练数据集构建情感模型。实验结果表明,我们提出的基于生成模型的数据增强方法优于现有的数据增强方法,如条件 VAE、高斯噪声和旋转数据增强。我们还观察到,生成的数据数量应小于原始训练数据集的 10 倍才能达到最佳性能。意义。我们提出的 sWGAN 方法生成的增强训练数据集显著提高了基于脑电图的情绪识别模型的性能。
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