Spatial–temporal features-based EEG emotion recognition using graph convolution network and long short-term memory

doi:10.1088/1361-6579/acd675

Spatial–temporal features-based EEG emotion recognition using graph convolution network and long short-term memory

2023-06-08

0

PRE

AI

DOI：10.1088/1361-6579/acd675

原文链接

原文求助

摘要

En 中文

摘要目的. 基于脑电图（EEG）信号的情绪识别在认知科学和人机交互（HCI）领域受到了广泛关注。然而，大多数现有研究要么仅关注一维EEG数据，忽略了通道之间的关系，要么仅提取时频特征而未涉及空间特征。方法. 我们提出了一种基于空间-时间特征的EEG情绪识别方法，使用图卷积网络（GCN）和长短期记忆网络（LSTM），命名为ERGL。首先，将一维EEG向量转换成二维网格矩阵，使矩阵配置对应于脑电图电极位置的大脑区域分布，从而更好地表示多个相邻通道之间的空间相关性。其次，联合使用GCN和LSTM提取空间-时间特征；GCN用于提取空间特征，而LSTM单元用于提取时间特征。最后，应用softmax层进行情绪分类。主要结果. 在使用生理信号进行情绪分析的A数据集（DEAP）和上海交通大学情绪EEG数据集（SEED）上进行了大量实验。在DEAP上，积极和唤醒维度的分类结果中，准确率、精确率和F分数分别达到了90.67%和90.33%、92.38%和91.72%、91.34%和90.86%。在SEED数据集上，积极、中性和消极分类的准确率、精确率和F分数分别达到了94.92%、95.34%和94.17%。意义. 上述结果证明，所提出的ERGL方法相较于当前最先进的识别研究具有显著的优越性。

Spatial–temporal features-based EEG emotion recognition using graph convolution network and long short-term memory

摘要

期刊

机构

引用论文