人工智能技术的发展,正在改变着人机交互的方式。其中,情感识别促进了
人与智能设备的交互,在人机交互领域占有重要地位。情感的产生往往是由外
部刺激诱发的复杂心理和生理变化过程,相比于语音、表情等非生理信号,脑电
(ElectroencEphaloGram,EEG)信号能够在不受人为主观控制的情况下反映人
的内心情绪状态,并且具有无创、可靠、成本低等特点。近年来神经科学研究
表明,大脑皮层存在一些特定区域,这些区域与情感存在密切的关系
[1-2]
。因此,基
于脑电信号的情感识别在情感计算领域得到了越来越多的关注。
随着深度学习在计算机视觉、自然语言处理等领域取得显著成效,研究者
们逐渐将深度学习应用于脑电情感识别领域。文献
[3]
结合卷积神经网络和循环
神经网络提出了一种卷积递归神经网络,其在 DEAP 数据集
[4]
效价维和唤醒维二
分类的识别率分别为 72.06%和 74.12%。文献
[5]
提出一种多模态残差基于长短
时记忆网络,其在 DEAP 数据集效价维和唤醒维二分类的识别率分别为 92.87%
和 92.30%。上述研究表明,基于深度学习的情感识别模型比传统机器学习具有
更好的识别性能。
脑电信号包含丰富的时域、空间域以及频域信息,但是要融合不同域的脑
电信息以期得到更好表征情感识别的模型仍具有挑战性
[6]
。目前的研究主要集
中在两个方面:一是寻找新的方法表征原始脑电信号,使之能够包含更有效的脑
电信息;二是设计一种更适合情感识别的深度学习网络。针对上述问题,国内外
学者做出了诸多尝试。文献
[7]
利用小波变换得到脑电信号的二维时频图,并采用
自适应卷积神经网络模型在 DEAP 数据集的效价维和唤醒维二分类以及效价-
唤醒维四分类上分别达到 76.56%,80.46%和 73.43%的平均识别率。文献
[8]
设
计了一种三维特征表示方法,同时保留脑电信号的频率和空间信息,并采用连续
卷积网络在 DEAP 数据集的效价维 和 唤 醒 维二分类平均识别率分别为 90.24%
和 89.45%。文献
[9]
针对微分熵(Differential Entropy,DE)特征
[10]
设计了一种 4D-
CRNN 模型,分别使用卷积神经网络和 LSTM 学习脑电信号中的空频域特征和
时 域 特 征 ,在 DEAP 数 据 集 效 价 维 和 唤 醒 维 的 识 别 率 分 别 达 到 了 94.11%和
94.22%。上述研究表明,结合脑电信号时域、空间域和频域的特征有助于提升
情感识别性能。然而,现有研究只结合脑电信号时域、空间域和频域任意二者
之间的信息,并没有一种方案可以同时关注脑电信号的时域、空间域和频域的
信息。
评论0
最新资源