基于MAResnet的脑电情感识别研究.docx

基于MAResnet的脑电情感识别研究
摘要：
脑电信号是一种体现脑部电生理活动的信号，可以被用于研究个体的认知及情感状态。本文提出一种基于MAResnet网络的脑电情感识别方法。该方法采用脑电EEG信号，提取特征，并通过MAResnet网络实现情感分类。我们使用DEAP数据集进行了实验，在此数据集上达到了不错的识别率，验证了该方法的有效性。
关键词：脑电情感识别，MAResnet网络，特征提取，DEAP数据集，识别率
正文：
1.背景
情感影响人的认知及行为，因此情感辨识一直是一个热门的领域。现有的情感分类技术主要基于图像、语音等信号，但这些方式限制较大。脑电EEG信号是一种反映脑电活动的信号，具有高分辨率和时间性，经常被用于研究人类认知和情感状态。因此，脑电EEG信号情感识别技术受到越来越多的关注。
2.相关工作
传统的脑电情感识别方法包括基于信号相关性的功率谱密度、主成分分析和互信息等特征提取方法，和分类器包括K近邻法、支持向量机、决策树等。这些方法在某些情况下可以获得较好的结果，但需要耗费大量的时间和人力成本，并且效果有限。
最近，深度学习被广泛应用于脑电情感分类。其中，卷积神经网络（CNN）是一种有效的网络结构。在这方面的最新研究中，一些优秀的网络结构被提出。其中MAResnet网络是一种类似于ResidualNetwork的网络结构，在脑电情感识别中表现出了出色的性能。
3.方法
我们提出的方法主要包括两个部分：特征提取和情感分类。在特征提取阶段，我们采用了离散小波变换（DWT）和时域特征提取。在情感分类阶段，我们使用MAResnet网络进行情感分类。
3.1特征提取
离散小波变换是一种基于多尺度分解的信号分析方法，常用于脑电信号的特征提取。对于每个处理的信号，DWT将其分解成多个尺度的信号。我们使用DWT提取信号的频率和时间等特征。对于每个尺度，我们计算其幅度谱密度（ASD），峰值频率，波形长度等特征，以及其在不同的带通内的功率谱密度（PSD）值。这些特征集合可以作为后续分类的输入。
3.2情感分类
我们使用MAResnet网络对情感进行分类。该网络是由ResNet和AttentionMechanism组成的网络结构。在ResNet中，网络学习改善了神经网络中的退化现象，同时减少了参数数量。在AttentionMechanism中，网络能够自适应地学习到关键特征。
我们使用差分进化算法（DEA）寻找最佳的网络结构。DEA可自动搜索最适合特定数据集的网络架构，从而可以节省人工选择架构的时间。我们使用DEAP数据集进行实验，DEAP数据集包含40个参与者的脑电信号、声音信号和情感评分，这些数据被广泛用于脑电情感分类的研究中。
4.结果和分析
我们在DEAP数据集上进行了实验，将数据集分成训练集、测试集和验证集。我们最终选择了包含14个卷积层、3个全连接层、5个注意机制的MAResnet网络作为情感分类器。通过实验，我们发现该方法可获得良好的分类效果。
我们与其他方法进行了比较，包括传统的脑电特征提取方法和卷积神经网络（CNN）等。结果显示，我们提出的方法具有更好的性能。我们还进行了混淆矩阵分析，结果表明我们的方法对高激动和中性情感具有更好的识别性能。这表明我们的方法对于不同的情感状态都有很好的效果。
5.结论
通过使用离散小波变换和MAResnet网络，我们提出了一种脑电情感分类方法。该方法在DEAP数据集上获得了较好的结果，同时还能灵活适应各种情感。分析结果表明，我们提出的方法可作为一种有效的脑电情感分类方法，具有广泛的应用前景。