本文主要探讨了基于 EEG(Electroencephalogram,脑电图)的情感计算在情绪检测中的应用,特别是在 DEAP(Duke Eyetracking and Audio-Visual Cues Database)和 SEED-IV(Self-Organizing Map for Emotion Recognition Database)两个公开数据库的支持下。情感计算作为一个快速发展领域,对于推动情绪检测在实际场景中的应用具有重要意义。
首先,研究者对当前基于 EEG 的情绪检测技术进行了概述,强调了利用公共数据集的重要性。他们选择 DEAP 和 SEED-IV 数据库作为研究基础,这两个数据库提供了丰富的脑电图信号,可以用于理解人类内心情绪状态。
文章的核心内容是开发了一种有监督的学习方法,即使用支持向量机(SVM,Support Vector Machine)算法。SVM 是一种强大的分类器,尤其适用于高维数据,如 EEG 数据中的多通道信息。通过离散小波变换(Discrete Wavelet Transform,DWT),研究人员提取了五个关键频率带的信息,这些频段反映了大脑不同区域的活动,有助于揭示情绪状态的特征。
特征工程是研究的关键环节,包括计算功率、能量、微分熵等统计特性,以及在时域分析中获取的其他有价值信息。这些特征反映了脑电图信号在不同维度上的变化,有助于机器学习模型理解和区分不同的情绪类别。
具体实验结果显示,针对 DEAP 数据库的四类情绪(如快乐、悲伤、愤怒和恐惧)分类准确率分别为74%、86%、72%和84%,而在 SEED-IV 数据库上的分类表现也相当不错,达到了79%、76%、77%和74%。这表明所提出的 SVM 分类器和通道组合策略在实际情绪检测任务中具有一定的效能。
这篇毕业设计研究为基于 EEG 的情绪检测提供了一个实用且有效的方法,展示了将机器学习算法与 EEG 数据结合在情感计算中的潜力。它为后续的研究者提供了有价值的参考,并可能在诸如人机交互、健康监测和用户体验优化等领域引发进一步的探索。