機(jī)器學(xué)習(xí)的最新進(jìn)展已使檢測(cè)和識(shí)別人類情感的技術(shù)得以發(fā)展。這些技術(shù)中的一些通過(guò)分析腦電圖(EEG)信號(hào)而起作用，這實(shí)際上是從人的頭皮收集的大腦電活動(dòng)的記錄。

在過(guò)去十年左右的時(shí)間里，大多數(shù)基于EEG的情緒分類方法都采用了傳統(tǒng)的機(jī)器學(xué)習(xí)(ML)技術(shù)，例如支持向量機(jī)(SVM)模型，因?yàn)檫@些模型需要較少的訓(xùn)練樣本，而且仍然缺乏大規(guī)模的EEG數(shù)據(jù)集。但是，最近，研究人員已經(jīng)編譯并發(fā)布了包含腦電圖大腦記錄的幾個(gè)新數(shù)據(jù)集。

這些數(shù)據(jù)集的發(fā)布為基于EEG的情緒識(shí)別開(kāi)辟了令人興奮的新可能性，因?yàn)樗鼈兛捎糜谟?xùn)練深度學(xué)習(xí)模型，這些模型可實(shí)現(xiàn)比傳統(tǒng)ML技術(shù)更好的性能。但是，不幸的是，這些數(shù)據(jù)集中包含的EEG信號(hào)分辨率低，可能會(huì)使訓(xùn)練深度學(xué)習(xí)模型變得相當(dāng)困難。

“低分辨率問(wèn)題仍然是基于EEG的情緒分類的問(wèn)題，”進(jìn)行這項(xiàng)研究的研究人員之一Sunhee Hwang告訴TechXplore。“我們提出了解決此問(wèn)題的想法，其中涉及生成高分辨率的腦電圖圖像。”

為了提高可用的EEG數(shù)據(jù)的分辨率，Hwang和她的同事首先在收集數(shù)據(jù)時(shí)使用電極坐標(biāo)生成了所謂的“拓?fù)浔Ａ舨罘朱靥卣?rdquo;。隨后，他們開(kāi)發(fā)了卷積神經(jīng)網(wǎng)絡(luò)(CNN)，并在更新的數(shù)據(jù)上對(duì)其進(jìn)行了訓(xùn)練，并對(duì)其進(jìn)行了訓(xùn)練，以估計(jì)三種一般的情緒類別(即積極，中性和消極)。

Hwang說(shuō)：“以前的方法往往會(huì)忽略EEG特征的拓?fù)湫畔?，但是我們的方法通過(guò)學(xué)習(xí)生成的高分辨率EEG圖像來(lái)增強(qiáng)EEG表示。” “我們的方法通過(guò)擬議的CNN重新整理腦電圖特征，從而使聚類的效果更好地體現(xiàn)出來(lái)。”

研究人員在SEED數(shù)據(jù)集中訓(xùn)練和評(píng)估了他們的方法，該數(shù)據(jù)集包含62通道EEG信號(hào)。他們發(fā)現(xiàn)，他們的方法可以對(duì)情緒進(jìn)行分類，其平均準(zhǔn)確率高達(dá)90.41%，優(yōu)于其他基于EEG的機(jī)器學(xué)習(xí)技術(shù)基于情緒的情緒識(shí)別。