基于CNN-LSTM的脑电情感四分类研究

作者：张英杰; 谢云^*

来源：科学技术与工程, 2023, 23(24): 10437-10444.

• 脑电信号(EEG)
• 情感识别
• 卷积神经网络(CNN)
• 长短时记忆网络(LSTM)
• 混合神经网络
• 深度学习

为深入研究脑电信号(electroencephalogram, EEG)时空特征之间的关联，解决因手动提取特征导致的脑电情感识别准确率较低问题。将卷积神经网络(convolutional neural network, CNN)和长短时记忆网络(long short-term memory, LSTM)相结合，构造出了CNN-LSTM模型。首先，提取了5个频段的5个不同特征：功率谱密度(PSD)、差分熵(DE)、差分不对称(DASM)、理性不对称(RASM)和差分熵差分(DCAU)。其次，将特征输入CNN-LSTM模型，在DEAP数据集中的效价和唤醒两种情感维度上展开四分类实验。最后，将堆栈自编密码器(SAE),卷积稀疏自编码器(CSAE),深度置信网络(depth confidence network, DBN)分别与LSTM组合，构造SAE-LSTM,CSAE-LSTM,DBN-LSTM3种混合模型同CNN-LSTM进行分类准确率比较。实验结果表明：DE特征的分类识别效果在5种特征中占最优，β和γ频段上所有特征的识别准确率远高于其他频段，尤其是γ频段。CNN-LSTM模型获得了最高的平均分类准确率92.48%,充分证明了CNN-LSTM模型的有效性。

• 出版日期2023
• 单位广东工业大学