SEED数据集脑电情感下载方式

Gigavision

已于 2024-09-11 17:47:47 修改

阅读量751

点赞数 11

文章标签：深度学习神经网络人工智能

于 2024-09-11 17:28:01 首次发布

本文链接：https://blog.csdn.net/Gigavision/article/details/142145017

版权

SEED: Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks

论文：https://pan.baidu.com/s/1gEvxkJCIT8Qg-WBl1sOBsQ?pwd=24zi 提取码：24zi
数据：https://github.com/CodeStoreHub/EEG-datasets

研究目的：本研究旨在通过构建基于EEG的情绪识别模型，找出与情绪识别相关的关键频率带和通道。模型的情绪分类包括三类情绪：积极、中性和消极。研究使用深度神经网络（DBN）进行训练和分析，以提升情绪识别的准确性。
研究方法：
- 研究数据来自15名被试者，每名被试者分别在间隔几天后进行了两次实验。
- 研究利用多通道EEG数据提取了微分熵（Differential Entropy, DE）特征，并通过深度信念网络（DBN）对这些特征进行训练。提取的特征来自五个频段：Delta（1-3Hz）、Theta（4-7Hz）、Alpha（8-13Hz）、Beta（14-30Hz）和Gamma（31-50Hz）。
- DBN模型的训练分为三个步骤：无监督预训练、无监督微调和有监督微调。训练完成后，通过分析DBN的权重分布，确定关键的频率带和EEG通道。
主要发现：
- 关键频率带：研究发现，Beta（14-30Hz）和Gamma（31-50Hz）频段在情绪识别中非常重要。这些频段与不同情绪的神经特征有密切关联。
- 关键通道：通过分析DBN训练后的权重分布，作者发现侧颞区的电极（如FT7、FT8、T7和T8）在情绪识别中起重要作用。
- 识别准确率：通过减少EEG通道的数量，模型仍能达到较高的情绪识别准确率（最高可达86.65%），甚至超过了使用全部62个EEG通道的模型。DBN模型的表现优于传统的机器学习模型，如支持向量机（SVM）、逻辑回归和K近邻（kNN）。
模型对比： DBN模型的平均准确率为86.08%，高于SVM（83.99%）和逻辑回归（82.70%）。即使在减少EEG通道的情况下，模型的性能也保持稳定，证明了在减少计算成本的同时仍可以实现高效的情绪识别。
结论：论文表明，通过聚焦于特定的频率带和电极，可以在不牺牲识别准确性的情况下降低计算成本。这种方法在实际应用中具有潜力，比如在驾驶疲劳检测或心理状态监测中的应用。此外，DBN在EEG情绪识别领域展现了很好的前景，提供了情绪处理的神经机制的有力证据。