基于脑电图（EEG）的动态情绪识别方法，该方法结合了多尺度小波变换和时空神经网络（Spatio-Temporal Neural Network）技术

《Scientific Reports》：EEG-based dynamic emotion recognition using multi-scale wavelet transform with a Spatio-Temporal neural network

　　

摘要

从脑电图（EEG）信号中识别情绪一直是研究领域中最具有前景的方向之一，因为它在提升人机交互方面具有巨大潜力，尤其是在自适应系统中。本文提出了一种新型的情绪识别系统，该系统通过先进的信号处理、自适应通道选择和深度学习技术提高了分类准确性。系统首先采用多尺度小波变换有效分解EEG信号，随后结合小波去噪的卡尔曼滤波来提升信号质量。利用谱熵分析确定情绪峰值，以实现准确的情绪时段划分。在自适应通道选择方面，采用基于强化学习的深度Q网络（Deep Q-Networks）动态选择每种情绪状态下最具信息量的EEG通道。在特征提取阶段，采用基于时空注意力网络（Spatio-Temporal Attention Networks, ST-ANs）的混合模型来捕捉EEG数据中的时空依赖性，并通过多尺度特征融合（Multi-Scale Feature Fusion）整合短期和长期特征。最终的情绪分类通过图神经网络（Graph Neural Networks, GNNs）与记忆增强神经网络（Memory-Augmented Neural Networks, MANNs）的集成来完成，从而在不同受试者和情绪状态下展现出强大的适应性。实验数据集来自Kaggle仓库，包括EEG脑电波数据集、DEAP数据集以及基于计算机游戏的EEG数据集。该系统在EEG脑电波数据集上的准确率达到98.5%，在DEAP数据集上的准确率为94.5%。在EDA情感识别任务（S01G1AllChannels）中，模型的准确率达到97.6%，优于现有的情感分类框架。