基于DEAP数据集的情绪识别：MT-CNN模型的构建与应用

脑电信号（EEG）被用作情绪识别的基础，因为它们可以捕捉大脑活动的细微变化，这些变化与情绪状态相关。本文的主要贡献在于它展示了如何利用功率谱密度（PSD）和微分熵（DE）作为特征提取技术来增强模型对情绪状态的理解。文章还探讨了MT-CNN模型的构建细节，包括网络架构和训练过程，并在DEAP数据集上进行了验证。 知识点详细说明： 1. 脑电情绪识别：脑电情绪识别是指利用脑电图（EEG）信号来分析和识别个体的情绪状态。情绪状态通常分为两类：唤醒度（arousal）和价态（valence），分别代表情绪的激活程度和情绪的正面或负面特性。 2. 功率谱密度（PSD）：功率谱密度是分析信号频谱特性的一种方法，它描述了信号功率在频率域中的分布。在EEG分析中，PSD可以揭示不同频段内的能量分布，这些频段包括α（8-12 Hz）、β（13-30 Hz）、γ（30 Hz以上）和θ（4-7 Hz）波段，不同波段对应不同的大脑活动状态。 3. 微分熵（DE）：微分熵是衡量信号复杂性的一个概念。在EEG信号处理中，DE被用来评估信号的不确定性或不规则性。对于情绪识别而言，一个信号的DE值可以作为区分不同情绪状态的特征。 4. 多任务卷积神经网络（MT-CNN）：MT-CNN是一种深度学习模型，专门设计用于同时处理多个相关任务。在本文中，MT-CNN用于同时预测个体的唤醒度和价态。模型由多个二维卷积层组成，这些层能够从输入的脑图中提取空间特征。为了防止过拟合，模型中还包含了dropout和批量归一化层。 5. 卷积神经网络（CNN）：CNN是一种深度神经网络，特别适用于处理具有网格状拓扑结构的数据，如图像。CNN通过卷积层提取局部特征，池化层降低特征维度，最后通过全连接层进行分类。在本文中，二维卷积层用于从脑图中提取空间特征。 6. DEAP数据集：DEAP是用于情感分析的一个公开可用数据集，其中包含了40个受试者的EEG信号，这些信号是在观看具有情感影响的视频片段时记录的。数据集广泛用于评估和比较不同情绪识别模型的性能。 7. ReLU激活函数和Sigmoid函数：ReLU（Rectified Linear Unit）激活函数是神经网络中常见的非线性激活函数，它通过将所有负值输出置零来增加网络的非线性能力。Sigmoid函数用于将神经网络的输出压缩到0和1之间，使得输出具有概率的性质，适合二分类问题。 综上所述，本文提出的基于deap的脑电情绪识别模型，通过构建MT-CNN并结合PSD和DE特征提取技术，实现在DEAP数据集上具有高准确率的情绪状态分类。这种模型能够有效地识别和量化情绪状态，为情绪研究和人机交互提供了有力的工具。