基于脑电图的情绪识别与特征融合网络（翻译版）

摘要

随着人机交互的快速发展，近年来基于多通道脑电信号的自动情绪识别已经引起了人们的关注。然而，许多现有的基于EEG的情感识别研究 ，情绪识别的现有研究忽略了不同脑电通道之间的相关信息，不能完全捕捉到脑电信号的背景信息。本文提出了一种新型的多特征融合网络，它由空间和时间神经网络结构组成。
该网络由空间和时间神经网络结构组成，以学习辨别性的时空情感信息来识别情感。
在这个实验中，两类常见的特征，时域特征（Hjorth、差分熵、样本熵）和 
频域特征（功率谱密度），被提取出来。然后，为了学习空间和背景信息。
为了学习空间和背景信息，我们采用了一个卷积神经网络，其灵感来自于具有概念结构的GoogleNet，以捕捉脑电图电极和背景的内在空间关系。脑电图电极的内在空间关系和上下文信息。全连接层被用于特征融合。
选用SVM代替SoftMax函数，对高层次的情绪特征进行分类。最后，为了评估所提出的 
最后，为了评估所提出的方法，我们在DEAP数据集上进行了留有一个对象的EEG情绪识别实验。
实验结果表明，所提出的方法取得了优异的性能，平均情绪识别准确率为80.52%和75.22%。
实验结果表明，所提出的方法在DEAP数据库的情感和唤醒分类任务中取得了优异的表现，平均情感识别准确率为80.52%和75.22%，分别在DEAP数据库的价值和唤醒分类任务中。

introduction

随着人机交互技术的快速发展 (随着人机交互技术的快速发展，机器理解人类情感行为的能力越来越强。的能力正变得越来越重要。这可以帮助机器准确地知道 人的意图，以触发适当的反馈[1]。因此，完美计算已经逐渐成为近年来完美研究的一个重要领域 近年来，完美计算逐渐成为完美研究的关键领域。通常使用的 情感模型主要包括离散情感模型和 维度情感模型。前者将情绪划分为 分为几种基本情绪，如六种典型的情绪 标签：快乐、悲伤、愤怒、恐惧、厌恶和惊讶 [2]，而后者使用自我评估人体模型(SAM) [3]系统来表达情绪的三个维度。

如图1所示，SAM是一种被大多数研究者认可的维度情感量化方法。效价 维度反映了从一个极端（苦恼）到另一个极端（狂喜）的情绪。&#x