一种新的基于脑电图的情绪识别深度学习模型

机器学习的最新进展使得检测和识别人类情绪的技术得以发展。这些技术中的一些是通过分析脑电图(EEG)信号来工作的，这些信号本质上是对从一个人的头皮上收集的大脑电活动的记录。

过去十多年来，大多数基于脑电图的情绪分类方法都采用了支持向量机等传统的机器学习方法，因为这些方法需要的训练样本较少，而且还缺乏大规模的脑电图数据集。然而最近，研究人员汇编并发布了几组包含脑电图记录的新数据集。

这些数据集的发布为基于脑电图的情绪识别开辟了令人兴奋的新可能性，因为它们可以用于训练深度学习模型，从而获得比传统ML技术更好的性能。然而，不幸的是，这些数据集中包含的脑电图信号的低分辨率可能会使训练深度学习模型变得相当困难。

“低分辨率的问题仍然是基于脑电图的情绪分类的一个问题，”研究人员之一Sunhee Hwang告诉TechXplore。“我们想出了一个办法来解决这个问题，包括生成高分辨率的脑电图图像。”

为了提高现有脑电图数据的分辨率，Hwang和她的同事首先使用收集数据时的电极坐标生成了所谓的“保留拓扑的微分熵特征”。随后，他们开发了一个卷积神经网络(CNN)，并根据更新后的数据对其进行训练，教它估计三种一般的情绪(即情绪)。，阳性，中性，阴性)。

“以前的方法往往忽略脑电图特征的拓扑信息，但我们的方法通过学习生成的高分辨率脑电图图像来增强脑电图的代表性，”Hwang说。“我们的方法通过提出的CNN对脑电图特征进行重新聚类，使聚类的效果得到更好的表征。”

研究人员在包含62通道脑电图信号的种子数据集上训练并评估了他们的方法。他们发现，他们的方法可以对情绪进行分类，平均准确率高达90.41%，超过了其他基于脑电图的情绪识别机器学习技术。

“如果从不同的情绪片段中记录脑电图信号，原始的DE特征就不能聚类，”Hwang补充道。“我们还应用了我们的方法来估计司机的警惕性，以显示其现货供应情况。”

在未来，Hwang和她的同事们提出的方法可以为开发新的基于脑电图的情绪识别工具提供参考，因为它为克服脑电图数据分辨率低的问题提供了一个可行的解决方案。同样的方法也可以应用于其他用于分析脑电图数据的深度学习模型，甚至是那些设计用来分类人类情绪以外的其他东西的模型。

“在计算机视觉任务中，大规模的数据集使得图像分类的深度学习模型取得了巨大的成功，其中一些已经超越了人类的表现，”Hwang说。此外，复杂的数据预处理也不再必要。在我们未来的工作中，我们希望使用一个生成的对抗网络(GAN)生成大规模的脑电图数据集。