摘要
最近,深度神经网络(DNN)在计算机视觉,音频分析和自然语言处理中显示了功能表示的非凡成功。 此外,在有关脑机接口的最新研究中,DNN已用于脑电图(EEG)信号分类。 但是,大多数作品使用一维EEG功能来学习DNN,而DNN忽略了EEG信号中多通道或多个频带内的本地信息。 在本文中,我们提出了一种使用卷积神经网络(CNN)的新型情感识别方法,同时防止了本地信息的丢失。
所提出的方法包括两部分。 第一部分在保持从中心电极到其他电极的距离的同时,生成保留拓扑的差分熵特征。 第二部分学习拟议的CNN来估计三类情绪状态(积极,中性,消极)。 我们评估我们在SEED数据集上的工作,包括从15位受试者记录的62通道EEG信号。 我们的实验结果表明,该方法在SEED数据集上具有卓越的性能,平均准确度为90.41%,并且使用t-SNE可视化了从所提议的CNN中提取的特征,以显示我们的表示胜过基于标准特征的脑电分析 。 此外,通过在VIG数据集上进行额外的实验来估计EEG数据集的警惕性,我们证明了该方法的现成可用性。
1 Introduction
由于情感在人机交互(HMI)中起着至关重要的作用&#x