采用SKM与Transformer的多维脑电情感识别研究

摘要

针对当前深度学习在脑电情感识别研究中的应用，存在对不同维度脑电信号差异化信息分析不足及特征提取能力有限等问题，提出一种多维形式输入信号的双路并行网络。提出SKM(改进的SK-MiniXception网络),在保证模型表征能力的同时结合注意力机制筛选出四维脑电信号中情感表达程度更为强烈的通道信息；提出BAGRU-BLS模块提取局部时间特征并优化模型输出；使用改进的Transformer网络提取二维脑电信号的全文时频信息；提出自适应特征融合模块进行特征融合并进行情感分类实验和重度抑郁症检测实验。实验结果显示，并行网络模型在DEAP公共数据集的价效-唤醒维度的四分类准确率达到96.13%,在MODMA数据集重度抑郁症检测实验中准确率达97.51%,相较于经典的卷积神经网络和循环神经网络模型均有明显提升。

关键词

脑电情感识别 / 抑郁症检测 / 特征重构 / 注意力机制 / Transformer