基于脑电图情感识别的新型深度学习模型

2019年12月25日 由 KING 发表 832636 0

机器学习的最新进展使检测和识别人类情感的技术得以发展。这些技术中的一些通过分析脑电图(EEG)信号而起作用,该信号实质上是从人的头皮收集的大脑电活动的记录。


在过去十年左右的时间里,大多数基于EEG的情绪分类方法都采用了传统的机器学习(ML)技术,例如支持向量机(SVM)模型,因为这些模型需要较少的训练样本,但是仍然缺乏大规模的EEG数据集。然而,最近,研究人员已经编译并发布了一些包含脑电图大脑记录的新数据集这些数据集的发布为基于EEG的情绪识别开辟了令人兴奋的新可能性,因为它们可用于训练深度学习模型,这些模型可实现比传统机器学习技术更好的性能。但是,不幸的是,这些数据集中包含的EEG信号分辨率低,可能会使训练深度学习模型变得相当困难。


为了提高可用的EEG数据的分辨率,研究人员首先在收集数据时使用电极坐标生成了所谓的“拓扑保留差分熵特征”。随后,他们开发了卷积神经网络(CNN),并在更新的数据上对其进行了训练,以估计三种一般的情绪类别(积极、中性和消极)。


研究人员说:“以前的方法往往会忽略EEG特征的拓扑信息,但是我们的方法通过学习生成的高分辨率EEG图像来增强EEG表示。这种方法通过拟议的CNN重新整理脑电图特征,使聚类的效果能够获得更好的表示。”


研究人员在SEED数据集中训练和评估了他们的方法,该数据集包含62通道EEG信号。他们发现,他们的方法可以对情绪进行分类,其平均准确率高达90.41%,优于其他基于EEG的情绪识别机器学习技术。


研究人员补充说:“如果从不同的情感片段中记录到EEG信号,则原始DE功能将无法聚类。我们还将把我们的方法应用于估计驾驶员警惕性的任务上,以显示其现成的可用性。”将来,研究人员提出的方法可能会为基于EEG的新型情感识别工具的开发提供信息,因为它引入了解决与EEG数据分辨率低相关问题的可行解决方案。相同的方法也可以应用于其他深度学习模型来分析EEG数据,甚至是那些用于分类人类情感的模型。


对于计算机视觉任务,大规模的数据集使用于图像分类的深度学习模型取得了巨大的成功,其中有些已经超越了人类的表现。此外,不再需要进行复杂的数据预处理。在未来的工作中,我们希望使用生成的对抗网络(GAN)生成大规模的EEG数据集。

欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
评论 登录
热门职位
Maluuba
20000~40000/月
Cisco
25000~30000/月 深圳市
PilotAILabs
30000~60000/年 深圳市
写评论取消
回复取消