典型文献
基于CNN时-空卷积优化的EM-EEG识别方法研究
文献摘要：
针对当前情绪脑电信号(emotion electroencephalogram,EM-EEG)识别研究中时间域信息的时间尺度难以把握和空间域信息易被忽视致使辨识率停滞不前,以及采集EM-EEG时通道过多导致信息冗余和信息处理成本增加等问题,提出了基于CNN的时-空卷积优化融合网络进行EM-EEG识别研究.该融合网络由提取EM-EEG时域信息的长卷积(long convolution,L-Conv)CNN和提取EM-EEG空域信息的CNN并联组成,在CNN模型时-空优化中使用粒子群算法(particle swarm optimization,PSO)对时域CNN中的L-Conv尺度进行了优化,并使用短时功率谱(short time power spectrum,STPS)的相关分析方法进行空域CNN模型通道数目优化,深层且有效地提取了EEG中的时间域和空间域特征.结果表明,提出的时-空卷积优化融合CNN在SEED Ⅳ数据集上对平和、悲伤、恐惧、高兴4种情绪最终准确率可以达到90.13％,相比传统单一CNN的识别准确率提高了4.76％,并且通道数目由62路降低至33路,缩减了46.77％,证实了本方法的可行性.
文献关键词：
EM-EEG;时-空卷积优化;粒子群算法;STPS相关分析;SEED Ⅳ数据集
中图分类号：
作者姓名：
黄永庆;周强
作者机构：
陕西科技大学电气与控制工程学院 西安 710021;陕西科技大学陕西省人工智能联合实验室 西安 710021
文献出处：
引用格式：
[1]黄永庆;周强-.基于CNN时-空卷积优化的EM-EEG识别方法研究)[J].电子测量与仪器学报,2022(03):231-240
A类：
STPS
B类：
卷积优化,EM,EEG,前情,脑电信号,emotion,electroencephalogram,中时,时间域,时间尺度,空间域,被忽视,停滞不前,致信,信息冗余,信息处理,处理成本,成本增加,加等,优化融合,融合网络,时域信息,长卷,long,convolution,Conv,空域,联组,粒子群算法,particle,swarm,optimization,PSO,短时功率,功率谱,short,power,spectrum,行空,通道数,SEED,悲伤,恐惧,高兴,识别准确率
AB值：
0.397161
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。
