软件学报

作者：陈景霞，郝为，张鹏伟，闵重丹，李玥辰

单位：陈景霞，陕西科技大学 电子信息与人工智能学院, 陕西 西安 71002111,郝为，陕西科技大学 电子信息与人工智能学院, 陕西 西安 71002102,张鹏伟，陕西科技大学 电子信息与人工智能学院, 陕西 西安 71002103,闵重丹，陕西科技大学 电子信息与人工智能学院, 陕西 西安 71002104,李玥辰，陕西科技大学 电子信息与人工智能学院, 陕西 西安 71002105

关键词：脑电图;情感识别;二维网状;时空特征;卷积循环神经网络;混合模型

基金：国家自然科学基金（61806118）；陕西科技大学科研启动基金（2020BJ-30）

提出一种脑电图（electroencephalograph，简称EEG）数据表示方法，将一维链式EEG向量序列转换成二维网状矩阵序列，使矩阵结构与EEG电极位置的脑区分布相对应，以此来更好地表示物理上多个相邻电极EEG信号之间的空间相关性.再应用滑动窗将二维矩阵序列分成一个个等长的时间片段，作为新的融合了EEG时空相关性的数据表示.还提出了级联卷积-循环神经网络（CASC_CNN_LSTM）与级联卷积-卷积神经网络（CASC_CNN_CNN）这两种混合深度学习模型，二者都通过CNN卷积神经网络从转换的二维网状EEG数据表示中捕获物理上相邻脑电信号之间的空间相关性，而前者通过LSTM循环神经网络学习EEG数据流在时序上的依赖关系，后者则通过CNN卷积神经网络挖掘局部时间与空间更深层的相关判别性特征，从而精确识别脑电信号中包含的情感类别.在大规模脑电数据集DEAP上进行被试内效价维度上两类情感分类实验，结果显示，所提出的CASC_CNN_LSTM和CASC_CNN_CNN网络在二维网状EEG时空特征上的平均分类准确率分别达到93.15%和92.37%，均高于基准模型和现有最新方法的性能，表明该模型有效提高了EEG情感识别的准确率和鲁棒性，可以有效地应用到基于EEG的情感分类与识别相关应用中.

来源：2021年第12期

《软件学报》期刊编辑部

查看软件学报杂志2021年第12期