基于CNN-LSTM的脑电情感四分类研究

摘要：

为深入研究脑电信号(electroencephalogram,EEG)时空特征之间的关联,解决因手动提取特征导致的脑电情感识别准确率较低问题.将卷积神经网络(convolutional neural network,CNN)和长短时记忆网络(long short-term memory,LSTM)相结合,构造出了CNN-LSTM模型.首先,提取了 5 个频段的 5 个不同特征:功率谱密度(PSD)、差分熵(DE)、差分不对称(DASM)、理性不对称(RASM)和差分熵差分(DCAU).其次,将特征输入CNN-LSTM模型,在DEAP数据集中的效价和唤醒两种情感维度上展开四分类实验.最后,将堆栈自编密码器(SAE),卷积稀疏自编码器(CSAE),深度置信网络(depth confi-dence network,DBN)分别与LSTM组合,构造SAE-LSTM,CSAE-LSTM,DBN-LSTM3 种混合模型同CNN-LSTM进行分类准确率比较.实验结果表明:DE特征的分类识别效果在5 种特征中占最优,β和γ频段上所有特征的识别准确率远高于其他频段,尤其是γ频段.CNN-LSTM模型获得了最高的平均分类准确率92.48%,充分证明了CNN-LSTM模型的有效性.

关键词：脑电信号(EEG)、情感识别、卷积神经网络(CNN)、长短时记忆网络(LSTM)、混合神经网络、深度学习

所属期刊栏目：23

分类号：TP391(计算技术、计算机技术)

资助基金：广东省自然科学基金项目2016A030313706

在线出版日期：2023-09-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：10437-10444