一种基于脑电图情感识别的新型深度学习模型

目录

本分享为脑机学习者Rose整理发表于公众号:脑机接口社区(微信号:Brain_Computer).QQ交流群:903290195

机器学习的最新进展使得检测和识别人类情绪的技术也得到了快速的发展。其中一部分机器学习技术中是通过分析脑电图(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传统的机器学习方法,例如支持向量机(SVM)模型,因为这些方法需要的训练样本较少。事实上之所以使用需要训练样本量少的方法是因为过去缺乏大规模的EEG数据集。然而最近,研究人员已经汇编并发布了一些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新的可能性,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。不过不幸的是,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问题中一个重要的问题,”研究人员之一Sunhee Hwang说到。“我们提出了解决此问题的方法,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用来估计三种一般的情绪(即积极、中立和消极)。

Hwang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。” “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SEED数据集中训练和评估了他们的方法(该数据包含62通道EEG信号)。他们发现,他们的方法可以对情绪进行分类,平均准确率高达90.41%,优于其他基于脑电图的情绪识别机器学习技术。

“如果从不同的情感片段中记录到EEG信号,则原始DE特征将无法聚类。” Hwang补充道。“我们还将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。”

未来,Hwang和她的同事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。相同的方法也可以应用于其他深度学习模型来分析EEG数据,甚至是那些用于对人类情感进行分类之外的模型。

“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,其中一些应用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。

参考
一种基于脑电图情感识别的新型深度学习模型
A new deep learning model for EEG-based emotion recognition

本文章由脑机学习者Rose笔记分享,QQ交流群:903290195
更多分享,请关注公众号

原文地址:https://www.cnblogs.com/RoseVorchid/p/12235735.html

时间: 2024-10-12 16:47:40

一种基于脑电图情感识别的新型深度学习模型的相关文章

文本情感分类(二):深度学习模型

在<文本情感分类(一):传统模型>一文中,笔者简单介绍了进行文本情感分类的传统思路.传统的思路简单易懂,而且稳定性也比较强,然而存在着两个难以克服的局限性:一.精度问题,传统思路差强人意,当然一般的应用已经足够了,但是要进一步提高精度,却缺乏比较好的方法:二.背景知识问题,传统思路需要事先提取好情感词典,而这一步骤,往往需要人工操作才能保证准确率,换句话说,做这个事情的人,不仅仅要是数据挖掘专家,还需要语言学家,这个背景知识依赖性问题会阻碍着自然语言处理的进步. 庆幸的是,深度学习解决了这个问

基于图卷积网络的图深度学习

基于图卷积网络的图深度学习 先简单回顾一下,深度学习到底干成功了哪些事情! 深度学习近些年在语音识别,图片识别,自然语音处理等领域可谓是屡建奇功.ImageNet:是一个计算机视觉系统识别项目, 是目前世界上图像识别最大的数据库,并且被业界熟知. 我们先回顾一下,没有大数据支撑的欧式深度学习技术.对于一个字母"Z"的识别,我们通常是建立一个2D网格(点阵),如果将其中的点连接起来,定义这样的连接方式所形成的就是"Z".然后是用其他字母来测试,这个模型的正确性. 传统

回望2017,基于深度学习的NLP研究大盘点

回望2017,基于深度学习的NLP研究大盘点 雷锋网 百家号01-0110:31 雷锋网 AI 科技评论按:本文是一篇发布于 tryolabs 的文章,作者 Javier Couto 针对 2017 年基于深度学习的自然语言处理研究进行了大盘点.雷锋网 AI 科技评论根据原文进行了编译. 在过去的几年里,深度学习(DL)架构和算法在诸如图像识别和语音处理等领域取得了世人瞩目的进步.然而在最开始的时候,深度学习在自然语言处理(Natural Language Processing, NLP)领域的

干货:机器学习领域的几种主要学习方式,如深度学习

干货:机器学习领域的几种主要学习方式,如深度学习 学习方式 根据数据类型的不同,对一个问题的建模有不同的方式.在机器学习或者人工智能领域,人们首先会考虑算法的学习方式.在机器学习领域,有几种主要的学习方式.将算法按照学习方式分类是一个不错的想法,这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果. 监督式学习: 在监督式学习下,输入数据被称为“训练数据”,每组训练数据有一个明确的标识或结果,如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”,对手写数字识别中的“

深度学习入门:基于Python的理论与实现 高清中文版PDF电子版下载附源代码

本书特色1.日本深度学习入门经典畅销书,原版上市不足2年印刷已达100 000册.长期位列日亚"人工智能"类图书榜首,超多五星好评.2.使用Python 3,尽量不依赖外部库或工具,从零创建一个深度学习模型.3.示例代码清晰,源代码可下载,需要的运行环境非常简单.读者可以一边读书一边执行程序,简单易上手.4.使用平实的语言,结合直观的插图和具体的例子,将深度学习的原理掰开揉碎讲解,简明易懂.5.使用计算图介绍复杂的误差反向传播法,非常直观.6.相比AI圣经"花书",

深度学习文字识别

Blog:https://blog.csdn.net/implok/article/details/95041472 步骤: 文字识别是AI的一个重要应用场景,文字识别过程一般由图像输入.预处理.文本检测.文本识别.结果输出等环节组成. 分类:文字识别可根据待识别的文字特点采用不同的识别方法,一般分为定长文字.不定长文字两大类别. 定长文字(例如手写数字识别.验证码),由于字符数量固定,采用的网络结构相对简单,识别也比较容易: 不定长文字(例如印刷文字.广告牌文字等),由于字符数量是不固定的,因

深度学习框架之TensorFlow的概念及安装(ubuntu下基于pip的安装,IDE为Pycharm)

2015年11月9日,Google发布人工智能系统TensorFlow并宣布开源. 1.TensorFlow的概念 TensorFlow 是使用数据流图进行数值计算的开源软件库.也就是说,TensorFlow 使用图(graph)来表示计算任务.图中的节点表示数学运算,边表示运算之间用来交流的多维数组(也就是tensor,张量).TensorFlow 灵活的架构使得你可以将计算过程部署到一个或多个CPU或GPU上. TensorFlow 最初是由 Google Brain Team 的研究人员和

基于Spark的异构分布式深度学习平台

导读:本文介绍百度基于Spark的异构分布式深度学习系统,把Spark与深度学习平台PADDLE结合起来解决PADDLE与业务逻辑间的数据通路问题,在此基础上使用GPU与FPGA异构计算提升每台机器的数据处理能力,使用YARN对异构资源做分配,支持Multi-Tenancy,让资源的使用更有效. 深层神经网络技术最近几年取得了巨大的突破,特别在语音和图像识别应用上有质的飞跃,已经被验证能够使用到许多业务上.如何大规模分布式地执行深度学习程序,使其更好地支持不同的业务线成为当务之急.在过去两年,百

一个简单的情感识别系统的实现

情感识别,主要就是正和负的识别,偶尔也有中性.类别比较少,所以相对于广义的文本分类来说,看起来要简单很多,特别是很多词汇都有很强的倾向性.当然这是针对某一特定的领域.一般的话,情感识别主要用于商品评论,因为不同的商品会有不同的术语之类的专门的某一词汇,所以如果将某一领域的数据集上学到的模型应用在另一个领域的话,可能效果会不很理想. Stephan Raaijmakers等的这篇文章[1]提出的是一种基于阀值投票的方法,即使用独立的分类器去分各个类别的数据,最后使用新领域的数据对分类结果进行投票校