关于基于脑信号的情绪识别预测模型

《Scientific Reports》：On the prediction models for brain signal-based emotion recognition

　　

摘要

本文分析了导致基于脑电图（EEG）的情绪识别系统在依赖被试与不依赖被试的情况下性能差异的因素。为了实现这一目标，本研究使用了两个基准数据集（DEAP和SEED），并对比了多种经典机器学习算法（KNN、随机森林、线性判别分析）以及深度学习模型（如CNN和EEGNet）。在跨被试评估中，CNN在SEED数据集上取得了84%的最高准确率。为了解释这些结果，本文采用了可解释人工智能（XAI）技术中的SHAP（Shapley Additive Explanations）值，以识别最具影响力的EEG特征和频段。这一分析不仅突出了影响模型决策的关键因素，还揭示了在不受被试影响的情况下导致性能下降的特征级不一致性。这项诊断性研究为当前方法的局限性提供了宝贵的见解，并强调了可解释性在开发稳健的基于EEG的情绪识别系统中的重要性。

_supported by [relevant technology or platform]