典型文献
基于脑电通道增强的情绪识别方法
文献摘要：
随着人工智能与深度学习的发展,基于深度学习的多通道脑电信号的情绪识别研究逐渐受到关注,但多通道脑电情绪识别信号复杂且各通道重要性一致,并不能高效且有针对性地进行脑电情绪识别.为此,该文提出一种基于缩放卷积层和脑电通道增强模块的情绪识别方法,能直接在脑电物理通道上进行增强学习.首先,通过缩放卷积层提取多通道脑电情绪信号的类时频特征;然后,通过脑电通道增强模块对所有脑电物理通道重新赋予不同的重要性;最后,利用卷积神经网络对情绪进行分类.该方法能够融合多通道脑电信号的时间和频率信息,同时,通过输出各脑电通道的重要性,探究不同情绪维度与脑电通道之间的关系.在DEAP数据集上进行了实验验证,不同脑电通道对情绪识别任务的重要性存在差异,其中,额叶区和枕叶区的C4、P4、P3、P04、F7 5个脑电通道重要性相对较高,该情绪识别方法在愉悦度、唤醒度和支配度3个情绪维度上的识别准确率也均有提升.
文献关键词：
情绪识别;脑电信号;通道增强;缩放卷积;深度学习
中图分类号：
作者姓名：
王晨;胡景钊;刘科;王洁琼;郑佳宾;吴东亚;冯筠
作者机构：
西北大学信息科学与技术学院,陕西西安 710127;新型网络智能信息服务国家地方联合工程研究中心,陕西西安 710127
文献出处：
引用格式：
[1]王晨;胡景钊;刘科;王洁琼;郑佳宾;吴东亚;冯筠-.基于脑电通道增强的情绪识别方法)[J].西北大学学报（自然科学版）,2022(04):560-570
A类：
缩放卷积
B类：
电通,通道增强,多通道脑电信号,脑电情绪识别,卷积层,接在,增强学习,时频特征,情绪维度,DEAP,情绪识别任务,额叶,枕叶,C4,P4,P3,P04,F7,愉悦度,唤醒度,识别准确率
AB值：
0.236426
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
