注意力残差网络结合LSTM的EEG情绪识别研究

TP391; 基于脑电信号的情感识别已成为情感计算和人机交互领域的一个重要挑战.由于脑电信号中具有时间、空间、频率维度信息,采用结合注意力残差网络与长短时记忆网络的混合网络模型(ECA-ResNet-LSTM)对脑电信号进行特征提取与识别.首先,提取时域分段后脑电信号不同频带微分熵特征,将从不同通道中提取出的微分熵特征转化为四维特征矩阵;然后通过注意力残差网络(ECA-ResNet)提取脑电信号中空间与频率信息,并引入注意力机制重新分配更相关频带信息的权重,长短时记忆网络(LSTM)从ECA-ResNet的输出中提取时间相关信息.实验结果表明:在DEAP数据集唤醒维和效价维二分类准确率分别达到...

Full description

Saved in:
Bibliographic Details
Published in华东理工大学学报（自然科学版） Vol. 50; no. 4; pp. 570 - 579
Main Authors 张琪, 熊馨, 周建华, 宗静, 周雕
Format Journal Article
LanguageChinese
Published 昆明理工大学信息工程与自动化学院,昆明 650500 01.08.2024
Subjects
注意力机制
differential entropy
情感识别
attention mechanism
脑电信号
residual network
微分熵
EEG signal
残差网络
emotion recognition
Online AccessGet full text

Cover

More Information
Summary:TP391; 基于脑电信号的情感识别已成为情感计算和人机交互领域的一个重要挑战.由于脑电信号中具有时间、空间、频率维度信息,采用结合注意力残差网络与长短时记忆网络的混合网络模型(ECA-ResNet-LSTM)对脑电信号进行特征提取与识别.首先,提取时域分段后脑电信号不同频带微分熵特征,将从不同通道中提取出的微分熵特征转化为四维特征矩阵;然后通过注意力残差网络(ECA-ResNet)提取脑电信号中空间与频率信息,并引入注意力机制重新分配更相关频带信息的权重,长短时记忆网络(LSTM)从ECA-ResNet的输出中提取时间相关信息.实验结果表明:在DEAP数据集唤醒维和效价维二分类准确率分别达到了 97.15%和96.13%,唤醒-效价维四分类准确率达到了 95.96%,SEED数据集积极-中性-消极三分类准确率达到96.64%,相比现有主流情感识别模型取得了显著提升.
ISSN:1006-3080
DOI:10.14135/j.cnki.1006-3080.20230629001