基于腦電圖情感識別的新型深度學習模型

機器學習的最新進展已使檢測和識別人類情感的技術得以發展。這些技術中的一些通過分析腦電圖(EEG)信號而起作用，這實際上是從人的頭皮收集的大腦電活動的記錄。

在過去十年左右的時間里，大多數基于EEG的情緒分類方法都采用了傳統的機器學習(ML)技術，例如支持向量機(SVM)模型，因為這些模型需要較少的訓練樣本，而且仍然缺乏大規模的EEG數據集。但是，最近，研究人員已經編譯并發布了包含腦電圖大腦記錄的幾個新數據集。

這些數據集的發布為基于EEG的情緒識別開辟了令人興奮的新可能性，因為它們可用于訓練深度學習模型，這些模型可實現比傳統ML技術更好的性能。但是，不幸的是，這些數據集中包含的EEG信號分辨率低，可能會使訓練深度學習模型變得相當困難。

“低分辨率問題仍然是基于EEG的情緒分類的問題，”進行這項研究的研究人員之一Sunhee Hwang告訴TechXplore。“我們提出了解決此問題的想法，其中涉及生成高分辨率的腦電圖圖像。”

為了提高可用的EEG數據的分辨率，Hwang和她的同事首先在收集數據時使用電極坐標生成了所謂的“拓撲保留差分熵特征”。隨后，他們開發了卷積神經網絡(CNN)，并在更新的數據上對其進行了訓練，并對其進行了訓練，以估計三種一般的情緒類別(即積極，中性和消極)。

Hwang說：“以前的方法往往會忽略EEG特征的拓撲信息，但是我們的方法通過學習生成的高分辨率EEG圖像來增強EEG表示。” “我們的方法通過擬議的CNN重新整理腦電圖特征，從而使聚類的效果更好地體現出來。”

研究人員在SEED數據集中訓練和評估了他們的方法，該數據集包含62通道EEG信號。他們發現，他們的方法可以對情緒進行分類，其平均準確率高達90.41%，優于其他基于EEG的機器學習技術基于情緒的情緒識別。