基于脑电通道增强的情绪识别方法

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、 PO4、 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。     

基于镜像神经元理论的便携式MI-VR BCI康复系统设计

镜像神经元是一类个体在执行或观察特定动作时均会兴奋的特殊神经元,其在运动想象与学习、动作模仿与理解等重要神经生理学过程中起着关键作用.众多研究表明,运动观察和运动想象均可以通过激活镜像神经元来促进运动障碍患者康复.基于该原理的运动康复系统逐渐受到学者和业界的关注,但已有系统往往存在复杂不便携、造价昂贵、难以精确感知患者...     

面向情绪识别中脑电特征分布不均匀的双策略训练方法

使用脑电进行情绪识别已经有了广泛的研究，但由于脑电的低信噪比、不平稳性以及受试者情绪表达方式的不同，不同受试者甚至单个受试者的脑电图情绪特征都会存在差异性，导致脑电样本在特征空间分布不均匀，容易出现模型泛化性能差的问题。为解决这一问题，该文提出了一种结合提升算法(boost)和梯度下降法(gradient descent)的双策略训练方法交替更新脑电情绪识别模型，梯度下降法在模型推理过程中更新网络参数，使损失最小化，提升算法用于更新脑电样本权重。在DEAP数据集上的实验结果表明，该方法在效价、唤醒和优势度3个维度上的准确率分别为71.25%、71.48%和71.80%,且在跨被试数据集下通过数据驱动的方式有效调整了脑电样本特征的分布，使其分布更均匀，从而提高了情绪识别模型的泛化性能。