基于注意力驱动神经网络的被试无关脑电情绪识别
神经与进化计算
2021-12-22 v3 信号处理
摘要
近年来，基于深度学习的方法相比经典信号处理与机器学习框架显著提升了分类准确率。但其中多数属于被试依赖研究，由于脑电数据中存在被试间变异性，无法泛化到被试无关任务。本文提出一种能够进行被试无关情绪识别的新型深度学习框架，其由两部分组成。首先，提出一种带通道注意力自编码器的无监督长短期记忆网络（LSTM），用于获取被试不变的潜在向量子空间，即每个个体脑电数据中存在的固有变量。其次，提出一种带注意力框架的卷积神经网络（CNN），对前述 LSTM 通道注意力自编码器所得编码低维潜在空间表示执行被试无关情绪识别任务。借助注意力机制，所提方法能够突出脑电信号中贡献于所考虑情绪的重要时间段，这一点已由结果验证。所提方法使用 DEAP 数据集、SEED 数据集与 CHB-MIT 数据集等公开脑电数据集进行了验证。该端到端深度学习框架消除了对手工设计特征的需求，提供了一种单一、任务无关的脑电分析工具，能够对被试无关数据执行各类脑电分析。
引用
@article{arxiv.2106.03461,
title = {Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks},
author = {Arjun and Aniket Singh Rajpoot and Mahesh Raveendranatha Panicker},
journal= {arXiv preprint arXiv:2106.03461},
year = {2021}
}
备注
Under Review in Elsevier Biomedical Signal Processing and Control