10、基于深度卷积神经网络的脑电情绪识别数据增强方法

基于深度卷积神经网络的脑电情绪识别数据增强方法

情绪识别旨在确定人的情绪状态，脑电图（EEG）作为一种生理信号，能为情绪识别提供更详细复杂的信息，且难以被故意改变和隐藏，使基于EEG的情绪识别结果更有效可靠。然而，由于数据收集成本高，大多数EEG数据集的数据量较少，这给需要大量训练数据的深度模型预测情绪状态带来了困难。本文提出一种简单的数据增强方法，以解决基于EEG的情绪识别中数据短缺的问题，并在两个标准EEG情绪数据集上，对比了数据增强前后浅层和深层计算模型的情绪识别性能。

1. 情绪识别方法概述

情绪识别是一个跨学科领域，受益于心理学、现代神经科学、认知科学和计算机科学的发展。在计算机科学中，基于计算机系统的情绪识别旨在增强人机交互，应用领域广泛，包括临床、工业、军事、游戏等。

情绪识别方法主要分为两类：
- 基于情绪行为特征 ：利用面部表情、语音语调、身体姿势等特征来检测特定情绪。
- 基于生理信号 ：借助脑电图（EEG）、心电图（ECG）、脉搏率、呼吸信号等生理信号识别情绪。与前者相比，生理信号能为情绪状态估计提供更详细复杂的信息，识别结果更有效可靠。

传统的基于EEG的情绪识别方法，常使用传统机器学习模型作为分类器，如支持向量机（SVM）、K近邻（KNN）等。近年来，深度学习技术在许多领域取得显著成果，也被应用于基于EEG的情绪识别研究中。但与浅层模型相比，深度学习模型（如深度卷积神经网络）参数更多，需要大量有标签的训练样本进行训练。而由于成本高昂，EEG相关任务能获取的有标签数据有限，大多数公共EEG数据集样本数量较少。因此，基于现有数据集获取足够有效的