基于多维特征矩阵和改进稠密连接网络的情感分类

摘要

情感脑电信号是一种低信噪比的非平稳时间序列，传统的特征提取与分类方法难以提取不同情感状态时的有效特征并进行分类.针对以上情况，提出一种自动融合脑电信号不同频段和时频域特征的深度学习模型.首先，对预处理后的数据进行分频段处理，提取各频段的微分熵特征.然后，在网络中接入的挤压激励模块，对不同频段特征的微分熵特征赋权值，来获取输入数据的有价值信息，再利用改进的稠密连接网络进行特征融合并分类识别，保证了网络层之间最大程度的信息传输.最后，利用SEED情感脑电信号三分类数据集对算法进行了验证，分类正确率可达96.03%，高于现有的基线学习算法，所提算法可进一步增强网络特征提取能力，具有较快的收敛速度，对提升分类器的性能研究具有重要意义.

关键词

情感分类 / 稠密连接 / 多维特征矩阵 / 深度学习 / 挤压激励