基于MAResnet的脑电情感识别研究

发布时间：2023-01-14 14:28

　　情感是大脑活动的一种表现形式,与心理活动和日常生活密切相关。利用脑电情感数据库并依据心理效价和唤醒度情感划分模型,对压力、平静、轻松、沮丧和快乐5种情感进行研究分析。针对脑电信号时空特征结合的特点,以深度学习中的残差神经网络为基础,提出基于多尺度注意力残差网络（MAResnet）的脑电情感信号分类模型。通过在传统的残差学习模块中加入注意力机制并在同一空间位置并联使用不同尺寸的卷积核,从而对脑电情感信号进行了多尺度特征提取,并对神经网络通过残差学习来避免网络退化。实验结果表明,改进后的多尺度注意力残差网络的分类精度为85.2%,较传统残差网络的分类精度提升了17.7%,较已有相似研究如应用SVM、KNN等方法在分类类型和识别精度上都有显著提升,证明该方法的有效性。 

【文章页数】：8 页

【文章目录】：
0 引 言
1 卷积神经网络与残差神经网络
    1.1 卷积神经网络
    1.2 残差神经网络
2 注意力机制
    2.1 模型原理
    2.2 CAU内在机制
    2.3 改进的残差注意力模块
3 构建MAResnet-EEG模型
4 实验结果与分析
    4.1 实验数据
    4.2 结果分析
5 结 论


【参考文献】：
期刊论文
[1]基于深度分离卷积的情绪识别机器人即时交互研究[J]. 徐桂芝,赵阳,郭苗苗,金铭.  仪器仪表学报. 2019(10)
[2]基于LSTM的脑电情绪识别模型[J]. 阚威,李云.  南京大学学报(自然科学). 2019(01)
[3]结合非线性全局特征和谱特征的脑电情感识别[J]. 孙颖,马江河,张雪英.  计算机工程与应用. 2018(17)
[4]关于脑电信号的情感优化识别仿真[J]. 王薇蓉,张雪英,孙颖,畅江.  计算机仿真. 2018(06)
[5]基于深度信念网络脑电信号表征情绪状态的识别研究[J]. 杨豪,张俊然,蒋小梅,刘飞.  生物医学工程学杂志. 2018(02)
[6]基于SAE和LSTM RNN的多模态生理信号融合和情感识别研究[J]. 李幼军,黄佳进,王海渊,钟宁.  通信学报. 2017(12)
[7]面向生物信息感知网络稀疏脑电测量的模糊粗糙情绪识别[J]. 戴逸翔,王雪,李宣平,张鹏博.  仪器仪表学报. 2014(08)

硕士论文
[1]基于EEG的情绪识别[D]. 黄柠檬.华南理工大学 2016
[2]基于脑电信号的情绪识别研究[D]. 苏建新.南京邮电大学 2015



本文编号：3730652