基于 SAM 评分的时空 EEG 表情识别：结合严肃游戏的混合深度学习
机器学习
2025-09-01 v1 人工智能
摘要
近期发展表明，基于 EEG 的情感识别成果令人鼓舞，既使用深度学习也使用经典机器学习方法；然而，大多数现有研究仅聚焦于二元价预测或主题特定分类，限制了其可泛化性和在真实世界情感计算系统中的部署。为此，我们提出一个统一的、多粒度 EEG 情感分类框架，基于 GAMEEMO 数据集构建，该数据集包含 14 通道 EEG 记录和来自 28 名受试者在四个情感诱导游戏情景中的连续自报情感评分(兴趣、可怖、平静和有趣)。我们的管道采用结构化的预处理策略，包括时间窗口分段、混合统计和频域特征提取，以及 Z 轴标准化，将原始 EEG 信号转换为稳健且具辨别力的输入向量。情感标签沿三个互补轴向进行编码：(i) 基于正负情感评分平均值的二元价分类；(ii) 多类情感分类，其中预测最具情感影响状态的存在；(iii) 通过将每个情感分为 10 个有序类别实现的细粒度多标签表示。我们评估了广泛的模型，包括随机森林、XGBoost 和 SVM，以及深度神经网络架构，如 LSTM、LSTM-GRU 和 CNN-LSTM。其中，LSTM-GRU 模型在二元价任务中始终优于其他模型，实现 F1 分数为 0.932，在多类和多标签情感分类中分别达到 94.5% 和 90.6%。
引用
@article{arxiv.2508.21103,
title = {Spatiotemporal EEG-Based Emotion Recognition Using SAM Ratings from Serious Games with Hybrid Deep Learning},
author = {Abdul Rehman and Ilona Heldal and Jerry Chun-Wei Lin},
journal= {arXiv preprint arXiv:2508.21103},
year = {2025}
}