论文部分内容阅读
情绪在人际交往和医学研究中起着重要作用,情绪识别是情绪研究中的重要一环,是计算机科学、神经科学、心理学和认知科学的交叉学科领域。其中“情感计算”是比较具有权威性的领域。情感计算可以利用计算机去自动识别、理解和反映人类的情感。例如,计算机可以通过人的面部表情、语音、眨眼、姿势和生理信号来识别情绪。以前大部分研究主要集中于通过语音、面部表情等方法。但是在某些情况下,例如刻意掩饰自己情绪的人、因患有面神经炎而无法表达情绪的患者,就不能准确反映出他们的情感。为了解决上述问题,许多研究者提出了基于脑电生理信号的情绪识别方法,相比于传统方法更可靠,更真实。然而现有的脑电情感识别技术有许多不足,本文致力于研究新方法、新技术来解决脑电情感识别中准确率不高的问题。本文对情感识别方法进行了详细阐述,对深度学习研究思想进行概述,分析对比了现有脑电情感识别方案的优缺点,针对深度学习的脑电情感识别,主要做了以下两方面工作:1、基于集成卷积神经网络的脑电情感识别方法,设计和搭建了5层卷积模型,再用集成学习中相对多数投票法来获得最终结果。该方案可以自动挖掘脑电波信号与外部生理信号之间的相关性,自动提取出有效特征并给出结果,最终将情绪划分为4类。本实验在DEAP数据集上进行,实验结果表明了所提方法的有效性,并与相关方法对比证明该方案在准确率上性能更佳。2、为了进一步提高脑电情感识别的准确率和稳定性,采用了全局平均池化层来代替传统的全连接层。该方法在卷积神经网络层之后对全局进行平均池化来优化损失率不稳定的问题。通过在DEAP数据集上对比全连接层和全局最大池化层表明该方案的可行性。最后,论文设计了一个基于深度学习的脑电情感识别的原型系统,通过将脑电数据的输入,通过模型训练判别来得到最终的情感类别,同时测试了情感识别的准确率和稳定性,实验结果表明本文提出的基于深度学习的脑电情感识别方法的可行性、准确性和有效性。