-
题名基于改进TCNN算法的脑电动态连续情绪识别研究
- 1
-
-
作者
揭丽琳
刘勇
王铭勋
邹杨萌
徐亦璐
鲁宇明
-
机构
南昌航空大学仪器科学与光电工程学院
南昌航空大学航空服务与音乐学院
江西农业大学软件学院
南昌航空大学航空制造与机械工程学院
-
出处
《电子学报》
北大核心
2025年第4期1347-1360,共14页
-
基金
国家自然科学基金(No.62166020)
江西省自然科学基金(No.20242BAB25094,No.20224BAB206089)。
-
文摘
在现实生活中,人类情绪具有动态和多样化的特征,受外部环境、社交互动以及个体内在状态的共同影响.针对脑电情绪识别研究通常局限于实验室的静态场景,未能充分考虑情绪的动态连续性的问题,本文提出了一种基于改进TCNN算法的脑电动态连续情绪识别方法 .首先,设计了适用于动态情境的脑电数据采集范式,使用64通道的脑电设备收集24名受试者在经历开心至平静、平静至开心、平静至悲伤、悲伤至平静、平静至紧张和紧张至平静六种动态连续情绪转变时的脑电信号,并进行了动态连续情绪标签的标注.其次,对现有的TCNN算法进行了改进,构建了一种双流网络模型进行动态连续情绪识别.该模型通过短期流利用时序卷积模块捕捉局部时间序列特征,而长期流则通过Transformer模块捕捉全局时间序列特征.最后,对提取的脑电特征进行特征层融合,以获得更加精准的动态连续情绪识别结果.结果表明:在采集的动态连续情绪数据集上,本文方法在六种情绪的valence和arousal上分别取得了最小误差均值0.083和0.084;在DEAP数据集上,valence和arousal的误差分别低至0.108和0.113.与四种传统机器学习算法以及GRU、CGRU、CNN、CNN-LSTM、CNN-Bi-LSTM、TCNN等六种深度学习模型相比,本文方法表现出了更高的识别精度和稳定性,能够有效满足应用场景的需求.
-
关键词
脑电信号
情绪识别
特征提取
特征融合
双流网络模型
-
Keywords
EEG
emotion recognition
feature extraction
feature fusion
dual-stream network model
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
