基于脑电图情感识别的新型深度学习模型

机器学习的最新进展使检测和识别人类情感的技术得以发展。这些技术中的一些通过分析脑电图（EEG）信号而起作用，该信号实质上是从人的头皮收集的大脑电活动的记录。

在过去十年左右的时间里，大多数基于EEG的情绪分类方法都采用了传统的机器学习（ML）技术，例如支持向量机（SVM）模型，因为这些模型需要较少的训练样本，但是仍然缺乏大规模的EEG数据集。然而，最近，研究人员已经编译并发布了一些包含脑电图大脑记录的新数据集。

为了提高可用的EEG数据的分辨率，研究人员首先在收集数据时使用电极坐标生成了所谓的“拓扑保留差分熵特征”。随后，他们开发了卷积神经网络（CNN），并在更新的数据上对其进行了训练，以估计三种一般的情绪类别（积极、中性和消极）。

研究人员说：“以前的方法往往会忽略EEG特征的拓扑信息，但是我们的方法通过学习生成的高分辨率EEG图像来增强EEG表示。这种方法通过拟议的CNN重新整理脑电图特征，使聚类的效果能够获得更好的表示。”

研究人员在SEED数据集中训练和评估了他们的方法，该数据集包含62通道EEG信号。他们发现，他们的方法可以对情绪进行分类，其平均准确率高达90.41％，优于其他基于EEG的情绪识别机器学习技术。

研究人员补充说：“如果从不同的情感片段中记录到EEG信号，则原始DE功能将无法聚类。我们还将把我们的方法应用于估计驾驶员警惕性的任务上，以显示其现成的可用性。”

对于计算机视觉任务，大规模的数据集使用于图像分类的深度学习模型取得了巨大的成功，其中有些已经超越了人类的表现。此外，不再需要进行复杂的数据预处理。在未来的工作中，我们希望使用生成的对抗网络（GAN）生成大规模的EEG数据集。