论文讲解: 该论文运用的卷积神经网络(CNN)和LSTM,其中CNN处理频率和空间信息,LSTM处理从CNN输出中提取时间相关性,并将两种模型进行融合。数据集采用的是脑电研究中最常用的DEAP和SEED数据集并且在两个数据集中都取得了很高的准确率。都达到了94%左右的准确率。: 论文设计了一种新模型,称为四维卷积递归神经网络。该模型将多
介绍一篇2020年的基于seed数据集的脑电情绪识别的论文 摘要 本研究的目的是开发一个基于脑电图的情绪识别系统,用于识别三种情绪:积极情绪、中性情绪和消极情绪。到目前为止,各种用于自动情感识别的建模方法已经被报道。然而,情感过程中的时间依赖性并没有得到充分考虑。为了掌握脑电的时间信息,我们采用了深度循环(SRU)...
利用ReLF在SEED-SD数据集上的系统分析表明,睡眠剥夺显著影响情绪识别的准确性,而睡眠恢复与正常睡眠下的情绪识别性能相近。 主要贡献如下: 1.构建了SEED-SD数据集,一个睡眠剥夺条件下的脑电和眼动信号的多模态情绪数据集,包含40名被试在三种睡眠状态(SD、SR和NS)下,对四类目标情绪(愉快、悲伤、恐惧和中性)诱发的...
为填补这一空白,研究员们首先收集了全新数据集 SEED-DV,这是一个专为动态视觉解码设计的EEG-视频配对数据集。该数据集包含20名受试者的1400段视频 EEG 信号,涵盖40个概念的视频内容,同时详细标注了颜色、动态性、人物及场景等多种元信息。这一数据集为研究 EEG 解码动态视觉感知提供了坚实的基础,并提出了两个重...