原标题：脑电深度学习情感识别

来源：AI 研习社        链接：https://www.yanxishe.com/TextTranslation/2325

机器学习的最新进展促进了检测和识别人类情绪的技术的发展。这些技术一部分是通过分析脑电图(EEG)信号来工作的，这些信号实质上是从人头皮上收集的大脑电活动记录。  

过去十多年来，大多数基于脑电图的情绪分类都采用了支持向量机等传统的机器学习方法。但是这些方法的训练样本较少，还缺乏大规模的脑电图数据集。然而近期，研究人员汇总并发布了几组包含脑电图记录的新数据集。  

这些数据集的发布为基于脑电图的情绪识别开辟了令人兴奋的新可能性，因为它们可以用于训练深度学习模型，从而获得比传统机器学习更好的性能。然而，不幸的是，这些数据集中包含的脑电图信号的低分辨率可能会使训练深度学习模型变得相当困难。

“分辨率较低仍然是基于脑电图的情绪分类的一个难题，”研究人员Sunhee Hwang对TechXplore说。“我们想出了一个办法来解决这个问题，包括生成高分辨率的脑电图图像。”  

为了提高现有脑电图数据的分辨率，黄和她的同事首先在收集数据时使用电极坐标生成了所谓的“保留拓扑的微分熵特征”。随后，他们开发了一个卷积神经网络（CNN）,并根据更新后的数据对其进行训练。教他识别三种常规的情绪（即：积极、中性、消极）

黄说：“以前的方法往往忽略脑电图特征的拓扑信息，但我们的方法通过学习生成的高分辨率脑电图图像来增强脑电图的代表性，我们的方法通过CNN对脑电图特征进行重新聚类，使得聚类达到更好的效果。  ”

研究人员在62通道的脑电图信号的种子数据集上训练并评估了他们的方法。他们发现他们的方法可以对情绪进行分类，平均准确率高达90.41%，超过了其他基通过脑电图识别情绪的机器学习方法。

黄补充道：“如果脑电图信号提取自不同的情绪片段，原始的DE特征就不能聚类。我们还将我们的方法应用于评估司机的警惕性以验证该方法的实用性。”

未来，黄和她的同事们提出的方法可以为开发新的基于脑电图的情绪识别工具提供参考。因为他们的方法为脑电图数据分辨率低的问题提供了一个可行的解决方案。同样的方法也可以应用于其他脑电数据分析的深度学习模型，甚至用于人类情绪识别外的其他场合。

黄表示：“在计算机视觉任务中，大样本数据集使得用于图像分类的深度学习模型取得了巨大的成功，其中一些模型已经超越了人类。此外，深度学习模型不再需要复杂的数据预处理。在未来的研究中，我们希望利用生成对抗网络(GAN)来生成大规模的脑电图数据集。”

一THE END一

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com