情感计算是现代人机交互中的关键问题,随着人工智能的发展,基于脑电信号(electroencephalogram, EEG)的情绪识别已经成为重要的研究方向.为了提高情绪识别的分类精度,本研究引入堆叠自动编码器(stacked autoencoder, SAE)对EEG多通道信...情感计算是现代人机交互中的关键问题,随着人工智能的发展,基于脑电信号(electroencephalogram, EEG)的情绪识别已经成为重要的研究方向.为了提高情绪识别的分类精度,本研究引入堆叠自动编码器(stacked autoencoder, SAE)对EEG多通道信号进行深度特征提取,并提出一种基于广义正态分布优化的支持向量机(generalized normal distribution optimization based support vector machine, GNDO-SVM)情绪识别模型.实验结果表明,与基于遗传算法、粒子群算法和麻雀搜索算法优化的支持向量机模型相比,所提出的GNDO-SVM模型具有更优的分类性能,基于SAE深度特征的情感识别准确率达到了90.94%,表明SAE能够有效地挖掘EEG信号不同通道间的深度相关性信息.因此,利用SAE深度特征结合GNDO-SVM模型可以有效地实现EEG信号的情绪识别.展开更多
文摘情感计算是现代人机交互中的关键问题,随着人工智能的发展,基于脑电信号(electroencephalogram, EEG)的情绪识别已经成为重要的研究方向.为了提高情绪识别的分类精度,本研究引入堆叠自动编码器(stacked autoencoder, SAE)对EEG多通道信号进行深度特征提取,并提出一种基于广义正态分布优化的支持向量机(generalized normal distribution optimization based support vector machine, GNDO-SVM)情绪识别模型.实验结果表明,与基于遗传算法、粒子群算法和麻雀搜索算法优化的支持向量机模型相比,所提出的GNDO-SVM模型具有更优的分类性能,基于SAE深度特征的情感识别准确率达到了90.94%,表明SAE能够有效地挖掘EEG信号不同通道间的深度相关性信息.因此,利用SAE深度特征结合GNDO-SVM模型可以有效地实现EEG信号的情绪识别.
