基于情感 EEG 的使用深度学习方法的人物识别
信号处理
2019-08-26 v3 计算机视觉与模式识别
摘要
脑电图 (EEG) 是进行人物识别 (PI) 的另一种模态。由于 EEG 信号的性质，基于 EEG 的 PI 通常在受试者执行某种心理任务（如运动控制）时进行。然而，很少有研究考虑受试处于不同心理状态（情感 EEG）时的基于 EEG 的 PI。本文旨在使用深度学习方法提升情感 EEG 基于 PI 的性能。我们提出了使用卷积神经网络 (CNNs) 与循环神经网络 (RNNs) 组合的级联深度学习。CNNs 用于处理来自 EEG 的空间信息，而 RNNs 提取时间信息。我们评估了两类 RNN，即长短期记忆 (CNN-LSTM) 和门控循环单元 (CNN-GRU)。所提方法在最先进的情感数据集 DEAP 上进行了评估。结果表明，CNN-GRU 和 CNN-LSTM 能从不同情感状态执行 PI，并达到 99.90–100% 的平均正确识别率 (CRR)，显著优于使用功率谱密度 (PSD) 特征的支持向量机 (SVM) 基线系统。值得注意的是，100% 的平均 CRR 来自 DEAP 数据集中仅 40 名受试者。为将 EEG 电极数量从三十二个减少到五个以用于更实际应用，前额区域给出了最佳结果，达到 99.17% CRR（来自 CNN-GRU）。在两种深度学习模型中，我们发现 CNN-GRU 略优于 CNN-LSTM，同时训练时间更快。此外，CNN-GRU 克服了先前工作中报道的情感状态对基于 EEG 的 PI 的影响。
引用
@article{arxiv.1807.03147,
title = {Affective EEG-Based Person Identification Using the Deep Learning Approach},
author = {Theerawit Wilaiprasitporn and Apiwat Ditthapron and Karis Matchaparn and Tanaboon Tongbuasirilai and Nannapas Banluesombatkul and Ekapol Chuangsuwanich},
journal= {arXiv preprint arXiv:1807.03147},
year = {2019}
}
备注
10 pages