一种用于基于EEG情绪识别的两阶段高效3D CNN框架
信号处理
2022-08-02 v1 人工智能
人机交互
机器学习
摘要
本文提出一种利用EEG数据进行情绪识别的新型两阶段框架，其在保持模型规模小且计算高效的同时优于最先进的模型。该框架包括两个阶段；第一阶段构建名为EEGNet的高效模型，其受最先进的高效架构启发，并采用包含深度可分离卷积层的倒残差块。EEGNet模型在效价与唤醒度标签上分别以仅6.4k、14k和25k参数取得90%、96.6%和99.5%的平均分类准确率。在准确率与存储开销方面，这些模型较先前最先进结果最高提升9%。第二阶段，我们对这些模型进行二值化以进一步压缩并便于部署于边缘设备。二值神经网络（BNNs）通常会降低模型精度。本文通过引入三种新方法改进了二值化EEGNet模型，较基线二值模型取得20%的提升。所提出的二值化EEGNet模型分别以0.11Mbits、0.28Mbits和0.46Mbits的存储开销达到81%、95%和99%的准确率。这些模型有助于在边缘环境中部署精确的人类情绪识别系统。
引用
@article{arxiv.2208.00883,
title = {A Two-Stage Efficient 3-D CNN Framework for EEG Based Emotion Recognition},
author = {Ye Qiao and Mohammed Alnemari and Nader Bagherzadeh},
journal= {arXiv preprint arXiv:2208.00883},
year = {2022}
}